8540

روش ها و كاربرد هاي يادگيري عميق در حل مسائل پراكندگي مستقيم و معكوس الكترومغناطيسي

99-00

دكتر محمد سليماني

مسائل پراكندگي معكوس از گذشته تا الان داراي كاربرد هاي زيادي بوده است و همواره نياز به افزايش كارآمدي در تصوير برداري هاي مبتني بر مسائل پراكندگي معكوس الكترومغناطيسي وجود خواهد داشت. از آنجايي كه روش‌هاي سنتي در حل مسائل پراكندگي معكوسي كه ذاتا بدرفتار و غيرخطي هستند، محاسبات سنگيني را تقبل خواهند كرد، درنتيجه زمان بازسازي تصاوير زيادي نيز خواهند داشت. همچنين كيفيت خوب و تعميم پذيري قابل قبولي براي بازسازي پراكنده‌هايي با اشكال پيچيده و ضريب الكتريكي بالا و غير همگن را ارائه نكردهاند. با در نظر گرفتن اين مهم كه شبكه هاي عصبي مصنوعي كه قادر هستند مسائل معكوس را بي آنكه درگير حل مستقيم اين نوع مسائل غير‌خطي و بدرفتار شوند حل كنند، به نحوي كه سريع تر، با كيفيت تر و جامع تر از روش هاي سنتي باشند، لذا اين زمنيه مناسب ديده شده است تا ارتباطي بين حل مسائل پراكندگي مستقيم و معكوس الكترومغناطيسي با شبكه هاي عصبي عميق ايجاد شود. در سال هاي اخير، تحول سريع و چشم گيري در شبكه هاي عصبي مصنوعي رخ داده و درواقع به شبكه هاي عميق تر تبديل شده اند و درنتيجه قدرت و جامعيت بيشتري در حل مسائل پيدا كرده اند. چهار نوع رويكرد كلي در اين راستا ارائه خواهد شد و نتايج ، گوياي برتري روش شبكه هاي عميق نسبت به روش هاي سنتي كه قبلا استفاده مي‌شد، خواهد بود.

6/1/2021 12:00:00 AM

71510

1400/03/29

Deep learning methods and applications in solving forward and inverse electromagnetic scattering problems.

مسائل پراكندگي مستقيم و معكوس الكترومغناطيسي , شبكه هاي عصبي مصنوعي , يادگيري عميق

forward and inverse scattering problems , Artificial Neural Networks , Deep Learning