Phaseless Gauss-Newton Inversion for Microwave Imaging
Notice bibliographique
Résumé
<p>A phaseless Gauss-Newton inversion (GNI) algorithm is developed for microwave imaging applications. In contrast to full-data microwave imaging inversion that uses complex (magnitude and phase) scattered field data, the proposed phaseless GNI algorithm inverts phaseless (magnitude-only) total field data. This phaseless Gauss-Newton inversion (PGNI) algorithm is augmented with three different forms of regularization, originally developed for complex GNI. First, we use the standard weighted L2 norm total variation multiplicative regularizer which is appropriate when there is no prior information about the object being imaged. We then use two other forms of regularization operators to incorporate prior information about the object being imaged into the PGNI algorithm. The first one, herein referred to as SL-PGNI, incorporates prior information about the expected relative complex permittivity values of the object of interest. The other, referred to as SP-PGNI, incorporates spatial priors (structural information) about the objects being imaged. The use of prior information aims to compensate for the lack of total field phase data. The PGNI, SL-PGNI, and SP-PGNI inversion algorithms are then tested against synthetic and experimental phaseless total field data.</p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».