.png){kind=icon}
返回
Physics-Driven Neural Network for Solving Electromagnetic Inverse Scattering Problems
.png){kind=icon}
PRE
AI
DOI：10.1109/TAP.2025.3637513.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，基于深度学习的方法被引入用于解决逆散射问题（ISPs），但其中大多数方法严重依赖于大规模训练数据集，且泛化能力有限。在本文中，提出了一种新的求解方案，其中通过物理驱动的神经网络（PDNN）迭代更新解，其超参数通过最小化损失函数进行优化，该损失函数整合了来自测量散射场的约束以及散射体的先验信息。与数据驱动的神经网络求解器不同，PDNN不需要离线训练数据集。其权重仅基于测量的入射场和散射场进行迭代更新，在理念上类似于传统逆算法，但通过神经网络的灵活性得到增强。因此，泛化问题得以消除。此外，为了加速成像，自动识别出包围散射体的子区域并将其用于限制计算域。数值和实验结果表明，所提出的方案能够实现高重建精度和强稳定性，即使对于复杂和有耗散射体也是如此。
Keyword:
Dielectric scatterers
inverse scattering imaging (ISP)
neural network
physics-driven
期刊
IF:
5.8
论文数:
719
被引数:
6.8W
机构
引用论文
.png){kind=icon}
An iterative solution of the two‐dimensional electromagnetic inverse scattering problem二维电磁逆散射问题的迭代解
PREAI
分享收藏
分享收藏An Improved Entropy Regularization Method for Defect Detection in Multilayer Composites一种改进的熵正则化多层复合材料缺陷检测方法
PREAI
分享收藏
查看更多内容