基于深度学习的空间相关声学属性恢复
机器学习
2023-11-27 v2 信号处理
摘要
物理信息神经网络（PINN）能够从物理测量中直接恢复在整个空间域内保持恒定的偏微分方程（PDE）系数。在本工作中，我们提出空间相关物理信息神经网络（SD-PINN），其利用单个神经网络实现空间相关 PDE 中系数的恢复，从而消除对特定领域物理专业知识的需求。我们将 SD-PINN 应用于空间相关波动方程系数恢复，以揭示非均匀介质中声学属性的空间分布。由于引入了假定 PDE 必须满足的物理约束损失函数，所提方法对噪声具有鲁棒性。对于空间二维 PDE 的系数恢复，我们将二维感兴趣区域内所有位置处的 PDE 系数存储于一个矩阵中，并利用该矩阵的低秩假设来恢复无可用测量位置处的系数。
引用
@article{arxiv.2310.10970,
title = {Deep Learning based Spatially Dependent Acoustical Properties Recovery},
author = {Ruixian Liu and Peter Gerstoft},
journal= {arXiv preprint arXiv:2310.10970},
year = {2023}
}
备注
19 pages, 15 figures