【摘 要】
:
电磁逆散射问题研究的是根据测量到的散射场重构成像空间内介质目标的几何信息和电性能参数的空间分布。由于其固有的非线性和病态性,且随着对比度的升高和信噪比的降低其非线性和病态性显著增强,导致了求解电磁逆散射问题成为了挑战。传统优化方法可以很容易将逆散射领域知识纳入其中,并通过最小化目标函数来解决计算数据与测量数据之间的不匹配问题,进而迭代地获得良好的重构结果。然而,由于非线性迭代本质,该方法存在如何选
论文部分内容阅读
电磁逆散射问题研究的是根据测量到的散射场重构成像空间内介质目标的几何信息和电性能参数的空间分布。由于其固有的非线性和病态性,且随着对比度的升高和信噪比的降低其非线性和病态性显著增强,导致了求解电磁逆散射问题成为了挑战。传统优化方法可以很容易将逆散射领域知识纳入其中,并通过最小化目标函数来解决计算数据与测量数据之间的不匹配问题,进而迭代地获得良好的重构结果。然而,由于非线性迭代本质,该方法存在如何选择合适的正则化参数、对初值较敏感、计算代价较高和实时性差等通用问题。尽管可将非线性逆散射问题线性化,但线性化的前提是目标为弱散射体,即入射场与总场之差较小。因此,本文以“问题驱动-模型融合-网络化设计”为总体思想,旨在降低计算代价并提升高对比度与低信噪比下的逆散射成像质量,提出了一种将传统算法、领域知识与深度学习相结合的方法。具体内容如下:首先,本文考虑的是二维横磁波极化下的逆散射问题,通过电磁场的前向模型和Lippmann-Schwinger方程,建立关于总场的状态方程和散射场的数据方程。由这两个基本的方程出发,将电磁逆散射问题的求解方法分为两类:非迭代类的线性方法和迭代类的非线性方法,并分析对比这两类方法在重构性能上的差异。其次,虽然深度学习技术可以为实时性和噪声鲁棒性提供解决方案,但要整合领域知识与数学实现到深度网络的输入或内部架构中并非易事。为了缩小传统目标函数方法与深度学习方法之间的差距并汲取二者的优势,本文给出了将线性和非线性反演技术与领域知识部署到神经网络框架中的一些思路。最后,受模型驱动深度学习反演方法的激励,结合物理知识和优化算法来设计所需的神经网络体系结构,进而提出了基于逆散射物理模型驱动的生成对抗网络(GAN)成像方法。此方法将逆散射物理模型和传统算法的迭代更新公式映射为生成网络中相应的可学习子模块,每个子模块级联形成深度迭代展开网络。同时,引入判决网络以确保重构结果的真实性。通过生成对抗的学习策略交替地训练这两个网络以重构介质目标的空间分布。在此基础上,引入预训练模型和感知损失函数以应对恶劣环境下高精度成像的需求。
其他文献
随着人工智能和工程设计等诸多领域的发展,与之相关的优化问题也越来越复杂。因此,许多先进的群智能算法被用来解决优化问题,其中具有高灵活性和强适应性的粒子群优化算法是改进大多数优化算法的基础。然而,传统的粒子群优化算法在复杂的高维优化问题中的搜索性能较差,在迭代的过程中无法更新群体样本,使种群更容易处于局部最优状态。结合量子信息理论,研究人员对量子粒子群优化算法展开了研究。本文以现有的量子粒子群优化算
提取有效的声学特征对于提升说话人识别系统的性能至关重要,通常,频域特征可以通过梅尔滤波器组从语音信号中提取出来,并且通过改变梅尔滤波器组中的三角滤波器的个数,可以提取不同尺度的频域特征,这些特征所包含的说话人信息存在差异,所以不同尺度的频域特征之间存在互补特性。本文利用深度学习方法,主要研究了基于多尺度频域特征和并行神经网络的说话人识别方法。论文的主要工作如下:1.提出了一种基于多尺度频域特征和并
信息技术的日益发展使人们进入了大数据时代,在各种各样的数据中,图像是人们生活中最常用的一种信息载体。随着图像数据量的大量增加,亟需对图像进行高性能的去噪与生成处理以应对处理速度慢和处理效果差的问题。因此,本文结合量子计算和深度学习设计了图像去噪与生成两种算法。本文的主要工作如下:基于卷积自编码器和残差学习,提出了一种图像去噪算法。卷积自编码器的编码层采用卷积层和最大池化层交替的结构,而解码层采用卷
科学技术的日新月异带来无线通信的飞速发展,在无人机通信场景下,用户不再满足于简单的点对点交换信息的需求。各种大量计算密集型应用应运而生,给无人机通信带来许多机遇与挑战。移动边缘计算(Mobile Edge Computing,MEC)技术为无人机通信的场景寻求到技术上的创新和突破。在通信任务过大的情况下,搭载了移动边缘计算服务器的设备可以帮助通信终端卸载一部分任务至移动网络边缘,从而缓解通信压力和
相位编码波形是雷达探测系统中一种经典的发射波形,具备相关特性好、构造简单等优点。相位编码波形集中的互补码(Complementary Code,CC)波形集和完全互补码(Complete Complementary Code,CCC)波形集,在多普勒为零时,具备完美的非周期自相关和互相关特性,使得匹配滤波结果没有距离旁瓣,对静止目标具备优异的检测性能。然而,已有的CC和CCC波形集存在着一些局限性
下一代移动通信对能量效率、数据速率和覆盖范围等性能指标具有更高的要求,这意味着有限的频谱、能量资源与日益增长的通信业务需求之间的矛盾亟待解决。协作中继技术是解决上述问题最具潜力的方案之一。然而,参与协作的中继可能是不受信任的,此时通信系统既要中继协助转发消息又要对中继保密。因此,解决无线网络的开放性与无线通信的保密性之间的矛盾同样迫在眉睫。最近,智能超表面(Reconfigurable Intel
在数字扫描激光光片显微镜中,使用无衍射艾里光束进行照明具有抗散射和成像视场大的优点。但一般的艾里光片成像依赖于去卷积的方法来校正光束弯曲造成的图像畸变和消除不对称旁瓣造成的离焦噪声。相比于一般的艾里光片,平面艾里光片沿光束传播方向不再弯曲,旁瓣也关于焦面对称分布,不再依赖去卷积处理进行成像,这拓展了艾里光束的应用。但为了消除平面艾里光片显微镜中离焦噪声,目前主要使用非线性的双光子激发方法。本文聚焦
机器学习近几十年来一直是人工智能的一个热门领域,基于机器学习的图像生成和分类算法也得到了广泛的应用。随着大数据时代数据规模的爆炸式增长,机器学习算法所需要的计算资源也越来越多,而计算机性能的提高却即将遇到瓶颈。与经典计算相比,量子计算有着潜在的指数级优势,是有望突破计算性能瓶颈的重要方向。因此,将机器学习与量子计算相结合是使机器学习适应大数据时代的一个有效途径。将机器学习中的生成对抗网络算法或卷积
穿墙雷达凭借其穿透非金属建筑材料的能力,可在非接触和非破坏性的条件下实现对墙后或封闭室内隐蔽目标的探测、定位及成像,广泛用于民用及军事等领域。然而,墙体反射所产生的强杂波会掩盖墙后目标的反射信号,影响目标成像精度和检测性能,此外现有的穿墙雷达成像方法在模型建立和优化求解过程中存在计算代价高、人工干预过多以及成像精度低等问题。因此本文将雷达稀疏成像的优化求解策略展开到深度网络结构中,采用端到端学习策
无人机(Unmanned Aerial Vehicle,UAV)技术发展迅速,其应用成本也在不断降低,在无线通信领域,无人机可搭载多种通信设备如小基站、传感器、接收机等形成无人机通信,是新一代空天地一体化通信的重要组成部分。无人机通信具有可在空中灵活部署,3D可移动性,飞行高度足够高且与地面节点产生更高概率的视距(Line of Sight,Lo S)链路等优势,因此无人机通信已经成为当前的研究热