1.一种基于深度学习的电磁散射计算方法，计算得到样本电流数据，并采用深度学习网络来训练学习对比度 入射波 到感应电流之间的非线性关系，其特征在于包括样本设计和网络设计，所述样本设计：为了引入已知信息，网络输入采用 两种方案作为输入，并计算得到前向电流数据作为深度学习网络真实样本；所述网络设计：本发明设计采用深度学习网络作为模型来完成训练预测过程，从而表征输入信息，也就是散射体，入射场，到感应电流的关系。

2.根据权利要求1所述的一种基于深度学习的电磁散射计算方法，其特征在于所述的感应电流计算方法采用矩量法MoM，边界元法FEM，时域有限差分法FDTD。

3.根据权利要求1所述的一种基于深度学习的电磁散射计算方法，其特征在于所述的感应电流计算方法采用矩量法，计算步骤如下：总场积分方程为：

其中， 和 分别表示总场和入射场，r与r′分别表示第p次入射的场点与源点。 为二维自由空间格林公式，表示一个位于空间r处的点

源对其周围空间某一点r′所产生的场，其中， 为第一类零阶汉克尔函数，i表示虚数，k0是弹性波的波数，χ(r′)＝(∈(r′)-∈0)/∈0，它为∈r的对比度函数，∈0表示弹性波穿过的介质的某种物理特性。Ω表示计算区域。感应电流J(r′)可以定义为在观测区域S中，散射场 带有电流项J(r′)的电场积分方程可以定义为：为了便于引入MoM来离散公式(1)和(2)，计算区域Ω被离散为M个小方块单元，M＝M1×M2,M1,M2分别表示x轴与y轴方向的数量。如果被分离的小单元变长远小于十分之一的波长，每个单元格内的感应电流与总场可以视为相同的。因此，公式(1)可以离散为：其中， 与 分别表示在第p次入射时，相应对第m个网格的总场与入射场。Am′表示第m′个网格的面积； 在第p次入射时，第m′个网格的感应电流。综合计算区域Ω中所有的网格，式子(3)可以写成以下矩阵形式：其中 表示从感应电流到

计算区域Ω中散射场之间的二维自由空间格林公式，其可以表示为：向量形式的感应电流 表示在第p次入射时，所有单元格离散的

电流分布，其可以表示为：

其中，是一个对角矩阵，对角线上的每个元素对应于每个网格的对比度。将式子(4)代入式子(6)，可以得到状态方程，表示如下：相同地，位于观测区域S的散射场可以离散为数据方程，表示如下：其中， 表示位于计算区域Ω的感应电流到观测区域S中散射场之间关系的二维格林公式。

利用MoM求解感应电流的状态方程可以表示为：

其中，表示单位矩阵。利用公式(9)求出感应电流后，便可利用公式(8)求出散射场。

4.根据权利要求1所述的一种基于深度学习的电磁散射计算方法，其特征在于公式(9)感应电流的计算方法替换为采用共轭梯度快速傅立叶变换(CG-FFT)求解感应电流，在复数空间中，共轭梯度法可求解以下线性方程组，等同于求解以下最小化问题：

以感应电流 作为未知量 可将公式(9)转为公式(10)的形式，进而利用共轭梯度法求解。

5.根据权利要求4所述的一种基于深度学习的电磁散射计算方法，其特征在于所述的共轭梯度法求解步骤如下：

1)设置初值x0，r0＝g0＝Ax0-b；

2)确定第一次梯度搜索方向：P0＝-A*r0；

3) xk+1＝xk+αkPk,rk+1＝rk+αkAPk；

4) Pk+1＝-A*rk+1+βkPk；

5)设置迭代终止条件并判断是否满足迭代终止条件，若否，转向步骤3)，若是，得到x。

其中，变量右上角*表示共轭转置符号。

在利用共轭梯度法求解时，涉及大量的矩阵运算，考虑到公式(9)进行转换后 为Toeplitz矩阵，故可利用快速傅立叶变换(FFT)进行矩阵运算，该变换大大降低了计算复杂度，求解步骤中，形如A*rk，APk都可以利用FFT进行运算，APk运算可以简化为其中，a为由矩阵A中第一行与第一列的数据构成的向量，FFT为离散傅立叶变换，.*表示矩阵间的数据两两相乘。

6.根据权利要求1所述的一种基于深度学习的电磁散射计算方法，其特征在于所述深度学习网络框架采用普通CNN，U-net网络，GAN。

7.根据权利要求1所述的一种基于深度学习的电磁散射计算方法，其特征在于所述深度学习网络框架采用GAN的变种pix2pix GAN网络，Pix2pix GAN网络由两部分网络构成，即生成网络G与对抗网络D。

8.根据权利要求6所述的一种基于深度学习的电磁散射计算方法，其特征在于所述的G网络是一个5层的U-net网络，可以分为三部分，下采样、上采样、跳跃连接层，在G网络最后一层，网络最后输出的便是散射体实际值，未使用类似于tanh()之类的激活函数。

9.根据权利要求6所述的一种基于深度学习的电磁散射计算方法，其特征在于D网络的的输入包含来源与G网络的预测图像和输入图像作为条件，在pix2pix GAN网络中，D网络输出的一组向量。

10.根据权利要求8所述的一种基于深度学习的电磁散射计算方法，其特征在于G和D的损失函数采用最小二乘GAN，定义如下：其中，x表示网络的输入数据，JMoM表示由MoM算法得到的真实电流数据。λ是一个可调节参数， 表示真实电流与预测电流的L1范数，定义为：