非线性逆散射深度卷积神经网络的性能分析与动态演化
计算物理
2020-01-08 v1 机器学习
信号处理
摘要
非线性电磁(EM)逆散射问题的求解通常受到若干挑战的阻碍，如不适定性、强非线性和高计算成本。近来，深度学习已被证明是应对这些挑战的一种有前景的工具。特别地，可以在深度卷积神经网络(CNN)与非线性EM逆散射的迭代求解方法之间建立联系。这促成了一种高效的基于CNN的非线性EM逆问题求解方法的发展，称为DeepNIS。已表明DeepNIS在图像质量和计算时间两方面均能优于传统的非线性逆散射方法。在本工作中，我们使用结构相似性度量(SSIM)和均方误差(MSE)指标，定量评估DeepNIS作为层数函数的性能。此外，我们通过考察其近等距性质来探究DeepNIS的动态演化行为。结果表明，在经过适当的训练阶段后，所提出的CNN在稳定性和泛化能力方面是近最优的。
引用
@article{arxiv.1901.02610,
title = {Performance Analysis and Dynamic Evolution of Deep Convolutional Neural Network for Nonlinear Inverse Scattering},
author = {Lianlin Li and Long Gang Wang and Fernando L. Teixeira},
journal= {arXiv preprint arXiv:1901.02610},
year = {2020}
}
备注
1 pages,4 figures