Electromagnetic Inverse Scattering of Anisotropic Objects Using Deep Learning

淡江大學機構典藏 > 工學院 > 電機工程學系暨研究所 > 學位論文 > Item 987654321/128127

Please use this identifier to cite or link to this item: https://tkuir.lib.tku.edu.tw/dspace/handle/987654321/128127

Title:	Electromagnetic Inverse Scattering of Anisotropic Objects Using Deep Learning
Authors:	陳柏翔
Keywords:	電磁成像;各向異性物體;人工智慧
Date:	2025-06
Issue Date:	2025-10-16 14:22:39 (UTC+8)
Abstract:	電磁成像涉及多重散射與高度非線性的反演問題，而傳統研究多依賴正則化演算法求解。雖然此類演算法在一定程度上能提升成像穩健性，但其高昂的計算成本與長時間的運算需求，限制了即時成像的實現。此外，在抑制多重散射與處理高度非線性問題方面，仍存在技術瓶頸。本論文提出一種先進的人工智慧以改善電磁成像的反演問題，並透過整合深度學習和注意力機制，不僅有效提升重建影像的解析度，還能顯著降低計算時間，實現即時電磁成像的目標。我們透過發射TM(Transverse Magnetic)波與TE(Transverse Electric)波來照射各向異性物體，並接收其散射場資訊。接著，透過馬克斯威爾方程式(Maxwell’s Equations)與格林函數(Green’s Function)的數值計算方法來蒐集與分析量測的散射場資訊。在數值模擬中，由於各向異性物體的介電張量(Permittivity Tensors)較為複雜，進一步增加了非線性與不適定性的問題。為簡化訓練過程的複雜度，我們利用量測所得的散射場資訊經由反向傳播法(Back Propagation Schemes)進行初步介電係數的估測。然而，初步介電係數與真實介電係數仍存在一定誤差，因此本論文開發了三種不同的類神經網路架構，以提升影像重建的準確度與解析度。第一部分，我們開發了一種卷積類神經網路(Convolution Neural Network, CNN)結合混合注意力機制(Hybrid Attention, HA)來克服電磁成像的反演問題。混合注意力機制架構由通道注意力機制(Channel Attention, CA)與空間注意力機制(Spatial Attention, SA)組成。CA透過動態調整特徵圖不同通道的重要性，以強化關鍵特徵的影響權重；而SA則學習影像中不同區域的重要性，透過自適應方式分配像素之間的權重，提高重建影像的精確度與解析度。第二部分，我們首先開發了一種感知生成對抗網路(Perceptual Generative Adversarial Network, PGAN)，並結合自注意力機制(Self-Attention)來增強影像細節與準確性。相較於傳統的生成對抗網路(GAN)，PGAN在損失函數中額外引入感知約束(Perceptual Constraint)，進一步優化影像品質。此外，自注意力機制能夠捕捉遠距離特徵之間的關聯性，進一步提升重建影像的效果。最後，我們提出了一種點對點串接式類神經網路架構用以細化重建的電磁影像。與前述兩種網路架構不同，該方法每個級聯階段可以與其他級聯階段共享權重，每個級聯都會優化前一個級聯的輸出以間接地獲得高對比度的介電係數分布。相較於傳統的類神經網路，點對點串接式類神經網路從輸入到輸出都是聯合訓練的且可以同時優化所有階段。這種統一的訓練策略使模型能夠以全域一致的方式進行學習。在數值模擬中，我們分別加入5%和20%的雜訊以驗證所提方法的有效性。結果顯示，第一部分的CNN在加入混合注意力機制後，亦明顯改善影像品質；第二部分的PGAN在結合自注意力機制後，顯著提升了重建影像的解析度；第三部分提出之點對點串接式類神經網路架構，相較於傳統的U-Net結構，具備更優異的影像重建能力。透過逐層優化前一級輸出結果的方式，能有效提升影像的解析度與對比度，進而強化重建品質與細節表現。
Appears in Collections:	[電機工程學系暨研究所] 學位論文

Files in This Item:

File	Description	Size	Format
index.html		0Kb	HTML	85	View/Open

Loading...