Loading...
| Friend's email | |
| Your name | |
| Your email | |
| enter code | |
This page was sent successfuly
- Type of Document: Ph.D. Dissertation
- Language: Farsi
- Document No: 58169 (05)
- University: Sharif University of Technology
- Department: Electrical Engineering
- Advisor(s): Shishegar, Amir Ahmad
- Abstract:
- This dissertation focuses on addressing electromagnetic forward and inverse scattering problems using physics-based deep learning models. A key challenge in integrating physics with data-driven models lies in the implicit nature and nonlinearity of the forward scattering operator. To address this, a novel closed-form expression is proposed for piecewise homogeneous media. By formulating the scattered field as an implicit function of the permittivity values in each homogeneous region, the computational complexity of solving the forward problem for a fixed geometry is changed from O(N^3 ) to O(NΣM_k^2), where N is the total number of meshes, and M_k refers to the meshes in the kth region. This significantly reduces complexity when dealing with only a few piecewise homogeneous regions. Nonlinearity is mitigated using two distinct iterative methods: Jacobi iteration method and the Born series. We combined both algorithms with deep learning models by unrolling them into a single framework. Although the Jacobi iteration-based model did not demonstrate satisfactory generalization capabilities, the Born series-based model, designated as DL-BA series, shows convergence for comparably stronger scatterers than Born approximation and achieves a mean squared error on the order of 〖10〗^(-3) when predicting the total field in free space. This series shows a very good generalization capability due to incorporating physics in its model design. The ill-posed nature of the inverse problem is also considered by exploring methods to integrate a priori information into data-driven models. Using a variational auto-encoder to map the image space (representing the solution space) to a latent space, we mapped both a priori information and the measurement data into this low-dimensional space. This method is particularly applicable when imaging specific body parts, demonstrating good noise robustness and the ability to support strong scatterers
- Keywords:
- Microwave Imaging ; Direct/Invers Scattering ; Deep Learning ; Machine Learning ; Inverse Scattering
Digital Object List
-
محتواي کتاب
- view
Bookmark
- معرفی
- تصویربرداری مایکروویو
- روش‌های تصویربرداری مایکروویو
- مسئله پراکندگی معکوس الکترومغناطیسی
- یادگیری ماشین
- یادگیری عمیق
- یادگیری ماشین در تصویربرداری مایکروویو
- حل مسئله معکوس الکتروستاتیک با یادگیری عمیق
- بیان مسئله و دستاوردهای رساله
- ساختار رساله
- تصویربرداری مایکروویو
- یادگیری مسئله پراکندگی معکوس
- بیان فیزیکی مسئله پراکندگی
- پیش‌پردازش فیزیکی
- روش پس‌انتشار
- تجزیه مقادیر ویژه
- تابع هزینه فیزیکی
- مدل فیزیک‌پایه
- شبکه‌های مولد در استفاده از اطلاعات پیشین
- نتیجه‌گیری
- جمع‌بندی
- بیان صریح مسئله پراکندگی
- فرمول‌بندی نیمه‌صریح مسئله پراکندگی مستقیم
- تقریب برای تغییرات کوچک ضریب عایقی
- محاسبه ژاکوبین به کمک رابطه نیمه‌صریح
- بیان نیمه‌صریح در حل مسئله معکوس
- استفاده از یادگیری عمیق
- بیان صریح فیزیکی در یادگیری عمیق
- جمع‌بندی
- فرمول‌بندی نیمه‌صریح مسئله پراکندگی مستقیم
- تقریب‌های خطی در حل مسئله پراکندگی
- حذف اثر برهم‌کنش پراکنده‌گرها
- طراحی الگوریتم یادگیری
- یادگیری داده‌محور با سری بورن
- سری بورن
- ارائه سری همگرا مبتنی بر یادگیری
- آموزش شبکه‌ها
- نتایج
- توزیع‌های هندسی پیچیده
- جمع‌بندی
- حذف اثر برهم‌کنش پراکنده‌گرها
- یادگیری عمیق در استفاده از اطلاعات پیشین
- اطلاعات پیشین در حل مسئله معکوس
- در روش‌های غیرتکراری
- در روش‌های تکراری
- وارد کردن مستقیم اطلاعات پیشین در الگوریتم یادگیری
- اطلاعات پیشین دقیق
- اطلاعات پیشین تقریبی
- اطلاعات پیشین در تصویربرداری با تباین بالا
- کاهش ابعاد ناحیه حل برای خوش‌‌طرح کردن مسئله
- نگاشت میدان پراکنده‌شده به خروجی رمزگذار
- استفاده از رمزگشا برای بازسازی ضریب عایقی
- جمع‌بندی
- اطلاعات پیشین در حل مسئله معکوس
- نتیجه‌گیری و زمینه پژوهش‌های آتی
- مراجع
- واژه‌نامه
- پیوست‌ها
- فرم نیمه‌صریح برای تابش TE و مسائل سه بعدی
- اثبات برخی روابط فصل ۳