一种基于物理约束的神经网络,用于电磁逆散射成像
《IEEE Transactions on Geoscience and Remote Sensing》:A Physics-Constrained Neural Network for Electromagnetic Inverse Scattering Imaging
【字体:
大
中
小
】
时间:2026年04月13日
来源:IEEE Transactions on Geoscience and Remote Sensing 8.6
编辑推荐:
电磁逆散射问题的物理约束神经网络方法研究。提出基于Born迭代的PCNN方法,融合传统逆方法的线性化优势与神经网络的优化能力,采用L2范数损失函数及约束层优化,实验表明该方法在RMSE和SSIM指标上优于BIM、PINN和U-Net方法。
摘要:
为了解决电磁逆散射问题(ISPs)并确保其准确性和鲁棒性,本文提出了一种基于物理约束的神经网络(PCNN)方法。该方法采用了Born迭代框架,在每次迭代中嵌入神经网络来求解优化问题。它结合了传统逆向方法的线性化能力和神经网络在解决复杂优化任务方面的强大能力。在神经网络中,数据方程的L2范数被用作损失函数。由于数据方程直接对应于目标逆问题,因此提供了有效的物理约束,引导网络朝向正确的解。此外,网络中还加入了一个约束层,以将解限制在预定义的物理范围内,从而缩小了可行解空间并提高了反演的稳定性。合成数据和实验结果表明,所提出的PCNN方法在均方根误差(RMSE)和数据误差方面始终低于传统的Born迭代方法(BIM)、基于物理信息的神经网络(PINN)的方法以及基于U-Net的监督学习方法,并且在结构相似性指数(SSIM)方面也表现更好,证明了其在重建方面的优越性。这些结果证实了PCNN为非线性电磁ISPs提供了一种有效且鲁棒的无监督学习方法。
引言
电磁逆散射问题(ISPs)旨在从测量的电磁场数据中确定散射体的空间位置和物理信息。它在雷达技术、医学成像和地球物理勘探等多个领域有着广泛的应用。然而,由于电磁反问题的非唯一性和非线性,精确高效的反演极具挑战性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号