相关实验视频
Updated: May 10, 2025
11:34
Scattering And Absorption of Light in Planetary Regoliths
Published on: July 1, 2019
10.2K
一种机器学习方法,用于快速模拟平面层介质下的目标的散射特征
Zhaoyu Wang1, Qinghe Zhang1,2, Zhaoyang Shen1,2
1College of Computer and Information Technology, China Three Gorges University, Yichang 443002, China.
Sensors (Basel, Switzerland)
|April 26, 2025
概括
这项研究引入了用于地面透雷达 (GPR) 前向散射的快速机器学习解决方案,显著提高了用于像铁杆这样的埋藏目标的全波形反转 (FWI) 的效率.
科学领域:
- 地质物理学 地质物理学
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 数字模拟对于地面透雷达 (GPR) 数据解释和全波形逆转 (FWI) 非常重要.
- 传统的FWI方法面临效率低下,原因是对分层媒体和埋藏目标的数值计算耗时.
研究的目的:
- 为GPR开发基于机器学习的快速向前散射解决方案.
- 提高GPR数据解释和FWI的效率和准确性.
主要方法:
- 利用有限差异时间域 (FDTD) 模拟来生成GPR散射回声信号,用于在砂下混凝土中使用铁杆.
- 应用主要组件分析 (PCA) 用于缩小回声数据的维度.
- 设计了一个新的循环嵌套深度学习网络,以建模场景参数和主要组件重量之间的关系.
主要成果:
- 拟议的循环嵌套深度学习网络与传统的机器学习方法相比,实现了更高的预测准确性.
- 在预测主要组件权重系数方面证明了学习效率的提高.
结论:
- 基于机器学习的前向散射解决方案有效地解决了传统GPR模拟的计算效率低下问题.
- 循环嵌套深度学习架构显示了推进GPR数据解释和FWI应用的巨大潜力.
