基于生成式深度学习的从无相位声散射数据对任意物体形状识别的方法
声音
2022-07-13 v1 音频与语音处理
应用物理
计算物理
摘要
我们提出并演示了一种生成式深度学习方法，用于根据声散射特性识别任意物体的形状。该策略利用深度神经网络学习二维声学物体潜空间与远场散射振幅之间的映射。设计了一个对抗自编码器形式的神经网络，并通过无监督学习训练以确定声学物体的潜空间。物体的重要结构特征嵌入于低维潜空间中，这支持形状生成器的建模并加速逆设计过程中的学习。所提出的逆设计采用带编码器与解码器式架构的变分推断方法，其中解码器由两个预训练神经网络（生成器与正向模型）组成。该数据驱动框架为不适定逆散射问题找到了精确解，其中非唯一解空间被多频无相位远场模式克服。该逆方法是一种无需复杂解析计算且为任意形状潜艇或大型鱼类及其他水下应用的自动识别开辟新途径的强大设计工具。
引用
@article{arxiv.2207.05433,
title = {A Generative deep learning approach for shape recognition of arbitrary objects from phaseless acoustic scattering data},
author = {W. W. Ahmed and M. Farhat and P. -Y. Chen and X. Zhang and Y. Wu},
journal= {arXiv preprint arXiv:2207.05433},
year = {2022}
}
备注
43 pages, 19 figures