基于径向基函数神经网络的欠采样干涉图相位解包裹
等离子体物理
2022-10-20 v1 机器学习
信号处理
摘要
干涉测量通过记录信号相位变化与参考相位之间的差值，可测量系统 otherwise 无法测量的形状或材料密度。该差值始终介于 与 之间，而获取真实测量值需要的是绝对相位。从包裹在 内的相位准确恢复该相位的方法有着悠久历史。然而，噪声与欠采样限制了多数技术的有效性，需要能处理不完美测量的高度复杂算法。最终，成功分析干涉图等同于模式识别，而径向基函数神经网络在此任务上表现卓越。所提出的神经网络旨在从二维干涉图中解包裹相位，其中由欠分辨区域引起的混叠与噪声水平均较为显著。该神经网络可通过基于梯度的监督学习分三阶段并行训练。并行性可处理相对较大的数据集，但需要额外步骤以在不同网络间同步完全解包裹的相位。
引用
@article{arxiv.2210.10541,
title = {The phase unwrapping of under-sampled interferograms using radial basis function neural networks},
author = {Pierre-Alexandre Gourdain and Aidan Bachmann},
journal= {arXiv preprint arXiv:2210.10541},
year = {2022}
}