一种基于深度学习的实时方法,用于从分相传感器阵列中重建全息声场
Shuai Wang1, Xuewei Wang1, Fucheng You1
1College of Information Engineering, Beijing Institute of Graphic Communication, Beijing 102627, China.
Micromachines
|June 28, 2023
概括
本研究介绍了一种深度学习方法,用于从相变感器阵列 (PTA) 中重建全息声场. 新型神经网络高效准确地确定PTA阶段,克服了传统代技术的局限性.
科学领域:
- 声学和超声波的研究.
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 阶段式传感器阵列 (PTA) 通过控制超声波产生全息声学场.
- 从全息声场中重建PTA阶段是一个复杂的反向问题.
- 现有的代方法耗时且具有数学挑战性.
研究的目的:
- 开发一种新的,高效的深度学习方法,用于从PTA重建全息声场.
- 为应对焦点分布不平衡和全息声场中的随机性所带来的挑战.
主要方法:
- 使用深度学习方法从PTA重建全息声场.
- 设计了一种具有注意力机制的新型神经网络结构,以处理焦点分布.
- 网络学会确定产生目标声场所需的传感器相位分布.
主要成果:
- 深度学习方法成功地以高效和高质量的方式重建全息声场.
- 确定的传感器相位分布准确地使PTA能够产生所需的全息声学场.
- 与现有的AcousNet方法相比,拟议的方法证明了实时性能和更高的准确性.
结论:
- 深度学习为全息声场重建的逆问题提供了强大而高效的解决方案.
- 基于注意力的神经网络有效地管理着焦点分布的复杂性.
- 这种方法比传统的代方法提供了显著的进步,使实时应用成为可能.


