一种基于深度学习求解高度非线性逆散射问题的实时成像方法.pdf
小琛****82
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
一种基于深度学习求解高度非线性逆散射问题的实时成像方法.pdf
本发明属于电磁成像技术领域,公开了一种基于深度学习求解高度非线性逆散射问题的实时成像方法,包括步骤1:利用FBE?CIE?I迭代方法对未知散射体进行初步重建,获取数据集;步骤2:利用步骤1得到的数据集训练U?net网络;步骤3:将U?net网络的输出作为GAN网络的输入,真实图像作为GAN网络的标签进行训练。本发明通过共轭梯度法和最小二乘法交替更新对比源和修改的对比度函数最小化损失函数。由于只需要使用少量的傅里叶基来获得对比源,反演计算成本大大降低。本发明仅需要经过较少地迭代次数,就可以有效地获得含有低频
大尺度电磁散射与逆散射问题的深度学习方法.docx
大尺度电磁散射与逆散射问题的深度学习方法大尺度电磁散射与逆散射问题的深度学习方法摘要:电磁散射与逆散射问题是电磁场理论中重要的课题之一。传统的电磁散射与逆散射问题的求解方法通常依赖于数值模拟或经验计算,计算复杂度较高且结果的准确性和稳定性较难保证。近年来,深度学习技术在图像处理、语音识别等领域取得了巨大的成功,为解决大尺度电磁散射与逆散射问题提供了新的思路。本文综述了深度学习方法在电磁散射与逆散射问题上的应用,并分析了其优势和挑战,展望了未来的研究方向。关键词:电磁散射;逆散射;深度学习;大尺度;图像处理
一种基于物理的深度展开网络的电磁逆散射成像方法.pdf
本发明公开了一种基于物理的深度展开网络的电磁逆散射成像方法,其步骤包括:1构建混合输入数据,包括数据的获取及预处理,丰富网络输入信息;2网络结构搭建阶段,使用深度展开技术结合传统子空间优化迭代算法,设计深度展开技术网络结构;3设计损失函数,在目标函数中使用图像结构相似性损失和逐像素损失外,特别使用感应电流损失和散射场损失,共同优化网络;4通过训练深度展开网络,可快速进行目标散射体的感应电流、散射场及对比度的高质量重建。本发明所提出的基于物理的深度展开网络能有效地替代传统SOM迭代算法,丰富网络的物理知识,
可用逆散射方法求解的一类非线性演化方程.docx
可用逆散射方法求解的一类非线性演化方程Title:TheInverseScatteringMethodforSolvingaClassofNonlinearEvolutionEquationsAbstract:Theinversescatteringmethodisapowerfultoolforsolvingnonlinearevolutionequations,allowingustoobtainexactanalyticalsolutionsinsomecases.Inthispaper,wefoc
一种基于无训练的深度级联网络的电磁逆散射成像方法.pdf
本发明公开了一种基于无训练的深度级联网络的电磁逆散射成像方法,包括:1数据准备阶段,根据测量到的散射场,获得输入数据;2网络结构搭建阶段,模拟基于子空间优化迭代算法的过程,设计深度级联网络结构;3损失函数设计,在目标函数中使用不包含参考真实值的待求散射体的数据损失与状态损失外,增加若干其他包含先验信息的已知散射体的总电流损失和介电常数损失,作为正则化项以提高重建质量;4通过迭代优化深度级联网络,对单个待求的散射体进行建模,得到单个待求的散射体的重建结果。本发明将完整的物理法则通过损失的形式融合到无训练的深