本书系统地论述了机器学习方法的概念、原理、方法、流程和步骤及其在若干电磁逆散射领域中的应用。全书共11章，内容包括绪论、机器学习方法、逆散射问题描述及模型建立、机器学习方法在自由空间逆散射中的应用、机器学习方法在埋地目标逆散射问题中的应用、机器学习方法在各向异性材料参数反演中的应用、机器学习方法在复合结构目标逆散射中的应用、机器学习方法在土壤湿度反演中的应用、机器学习方法在风驱粗糙海面逆散射中的应用、机器学习方法在雪地环境逆散射中的应用、结束语。全书内容主要为笔者近年来的研究成果，并增加了国内外最新研究进展。书中理论部分介绍了两种机器学习方法——人工神经网络和支持向量机的原理与应用方法步骤，以及电磁正演问题中的数值方法和近似方法。本书重点讨论了机器学习方法的应用实例，涵盖了不同电磁环境、不同结构目标、不同介质类型的电磁逆散射问题，可以方便不同领域的读者选择参考。
本书可供电子、通信、遥感、计算机、模式识别、信号处理、无损检测、地球物理、生物医学工程等领域的教师、高年级本科生、研究生、科研或工程技术人员学习参考。

张清河，男，汉族，1969年11月出生于湖北当阳，三峡大学计算机与信息学院教授，硕士生导师，三峡大学“151人才工程”学术带头人。1992年毕业于华中师范大学物理教育专业，获理学学士学位；2007年毕业于武汉大学电子信息学院无线电物理专业，获理学博士学位。
教学方面：主讲电磁场与电磁波、微波技术与天线等本科生课程，高等电磁场理论、微波遥感理论与方法等研究生课程，主持或参与教研项目多项，发表教研论文2篇。
科研方面：主持国家自然科学基金面上项目2项、湖北省自然科学基金1项、湖北省教育厅重点项目1项，发表论文40余篇。
研究领域：主要包括电磁散射与逆散射、微波对地遥感、雷达海洋遥感、阵列天线设计与综合等。

第1章 绪论
1.1 研究背景和意义
1.1.1 问题描述
1.1.2 应用背景
1.2 电磁场逆问题分类
1.3 逆散射中的数学问题
1.4 研究方法
1.5 研究进展和现状
1.6 本书的目的、内容和结构安排
参考文献
第2章 机器学习方法
2.1 机器学习方法概述
2.2 人工神经网络
2.2.1 神经元模型
2.2.2 神经网络的结构
2.2.3 神经网络的学习
2.2.4 BP网络及其学习算法
2.2.5 基于L-M原理的BP神经网络研究
2.2.6 网络的拓扑结构
2.3 支持向量机
2.3.1 结构风险最小化原则
2.3.2 支持向量回归
2.3.3 核函数
2.3.4 支持向量机训练算法
参考文献
第3章 逆散射问题描述及模型建立
3.1 逆散射问题描述
3.2 BP神经网络电磁逆散射模型
3.3 支持向量机电磁逆散射方法
3.3.1 支持向量机逆散射模型
3.3.2 支持向量机参数选择
3.3.3 支持向量回归电磁逆散射方法的流程
参考文献
第4章 机器学习方法在自由空间逆散射中的应用
4.1 复散射系数回归估计
4.2 电磁参数重构
参考文献
第5章 机器学习方法在埋地目标逆散射问题中的应用
5.1 埋地目标电磁逆散射模型
5.2 粗糙面散射理论基础
5.2.1 随机粗糙面的生成
5.2.2 入射锥形波
5.2.3 MoM表面积分方程的推导
5.3 一维PEC随机粗糙面散射
5.3.1 电磁散射建模
5.3.2 数值结果及分析
5.4 一维介质随机粗糙面散射
5.4.1 MoM电磁建模
5.4.2 数值结果及分析
5.5 介质随机粗糙面与埋地导体复合散射
5.5.1 MoM电磁建模
5.5.2 数值结果及分析
5.6 埋地目标探测及参数反演
参考文献
第6章 机器学习方法在各向异性材料参数反演中的应用
6.1 时域有限差分法简介
6.1.1 FDTD场域划分
6.1.2 Yee元胞
6.1.3 吸收边界条件
6.1.4 数值色散及稳定性条件
6.2 各向异性介质FDTD方法
6.2.1 各向异性介质FDTD差分格式
6.2.2 各向异性FDTD算法验证
6.3 各向异性材料电磁参数反演
参考文献
第7章 机器学习方法在复合结构目标逆散射中的应用
7.1 复合结构目标正散射问题
7.1.1 复合结构目标矩量法方程的建立
7.1.2 矩量法方程的快速求解方法
7.1.3 正散射问题数值结果
7.2 逆散射数值算例
7.2.1 二维介质覆盖导体圆柱电磁逆散射
7.2.2 二维复合方柱电磁逆散射
参考文献
第8章 机器学习方法在土壤湿度反演中的应用
8.1 微波遥感土壤湿度研究概况
8.2 土壤的介电模型
8.2.1 Wang的四成分模型
8.2.2 经验模型
8.2.3 Dobson半经验模型
8.2.4 数值模拟
8.3 土壤粗糙面微波散射模型
8.3.1 微扰法
8.3.2 Kirchhoff近似方法
8.3.3 积分方程方法
8.3.4 植被覆盖土壤散射模型
8.4 土壤粗糙面微波辐射模型
8.4.1 裸露土壤粗糙表面
8.4.2 植被覆盖土壤粗糙表面的模型
8.5 敏感性分析
8.5.1 SPM参数敏感性分析
8.5.2 IEM相关参数敏感性分析
8.5.3 Q/H模型土壤发射率参数敏感性分析
8.5.4 Q/H模型土壤亮温参数敏感性分析
8.5.5 Qp模型土壤亮温参数敏感性分析
8.6 机器学习方法反演土壤湿度
8.6.1 主动微波土壤湿度反演
8.6.2 被动微波土壤湿度反演
8.6.3 主动、被动相结合微波土壤湿度反演
8.6.4 植被覆盖土壤湿度反演
参考文献
第9章 机器学习方法在风驱粗糙海面逆散射中的应用
9.1 海洋微波遥感研究进展
9.2 海谱及海水介电模型
9.2.1 海谱模型
9.2.2 海水介电模型
9.3 风驱海面散射双尺度模型
9.4 敏感性分析及反演方案设计
9.4.1 建模及反演步骤
9.4.2 雷达参数敏感性分析
9.4.3 反演方案设计
9.5 反演结果及分析
9.5.1 风速反演结果与分析
9.5.2 盐度反演结果与分析
参考文献
第10章 机器学习方法在雪地环境逆散射中的应用
10.1 分层随机粗糙面微扰法理论
10.2 雪地环境介质介电模型
10.2.1 土壤的相对介电常数
10.2.2 积雪的相对介电常数
10.3 雪地环境微波散射特性
10.4 雪地环境参数反演
10.4.1 步骤及流程
10.4.2 敏感性分析
10.4.3 反演方案设计
10.4.4 反演结果及分析
参考文献
第11章 结束语