一种基于LSTM神经网络建模的时域电磁正演方法

针对传统计算电磁学在求解时域电磁散射特性时耗时较长的问题,该文提出了一种基于长短时记忆(LSTM)神经网络的时域电磁正演算法,以快速准确地求解时域电磁散射特性。首先,利用时域有限差分(FDTD)方法生成样本数据;然后,搭建一个适用于本问题的LSTM神经网络模型,将一部分样本作为训练数据输入到该LSTM神经网络中,另一部分作为测试数据来验证基于LSTM神经网络的电磁正演模型的可靠性。经过验证,基于LSTM神经网络的时域电磁正演建模方法与传统的FDTD方法相比,在保证足够精确度的前提下(平均相对误差低于2%),计算速度提高了1809倍。实验结果表明,基于LSTM神经网络的时域电磁正演模型算法能够对不同形状、不同相对介电常数的散射体在不同位置时的电场做出正确的预测,并且计算速度显著提高。

基于疏密交叉网格建模的KNN大地电磁反演方法

为了寻找一种精准有效的大地电磁反演方法,引入KNN(k-Nearest Neighbor)算法,提出了一种基于机器学习算法的大地电磁反演方法,分别验证了该算法在单一尺寸下不同电导率异常体、不同尺寸下不同电导率异常体的坐标及电导率反演准确率,结果表明,该算法在进行二维大地电磁反演计算时有非常高的准确率。在此基础之上,首次将一种疏密交叉网格建模的方法应用于KNN大地电磁反演计算中,在使用较少训练样本和计算资源的情况下,相比传统KNN反演算法,大幅提高了坐标及电导率的预测精度。数值试验结果表明,该算法对坐标位置的反演准确率在97%以上,对电导率的反演准确率达到了100%,对于不同形状不同电导率不同位置的异常体反演效果良好,是一种高效的大地电磁反演方法。