On use of inhomogeneous media for elimination of ill-posedness in the inverse problem
Notice bibliographique
Résumé
This thesis outlines a novel approach to make ill-posed inverse source problem well-posed exploiting inhomogeneous media. More precisely, we use Maxwell fish-eye lens to make scattered field emanating from distinct regions of an object of interest more directive and concentrated onto distinct regions of observation. The object of interest in this thesis is a thin slab placed conformally to the Maxwell fish-eye lens. Focused Green’s function of the background medium results in diagonal dominance of the matrix to be inverted for inverse problem solution. Hence, the problem becomes well-posed. We have studied one-dimensional variation of a very thin dielectric slab of interest having conformal shape to the lens. This method has been tested solving the forward problem using both Mie series and using COMSOL. Most common techniques for solving inverse problem are full non-linear inversion techniques, such as: distorted Born iterative method (DBIM) and contrast source inversion (CSI). DBIM needs to be regularized at every iteration. In some cases, it converges to a solution, and, in some cases, it does not. Diffraction tomography does not utilize regularization. It is a technique under Born approximation. It eliminates ill-posedness, but it works only for small contrast. Our proposed method works for high contrast and also provides well-posedness. In this thesis, our objective is to demonstrate inverse source problem and inverse scattering problem are not inherently ill-posed. They are ill-posed because conventional techniques usually use homogeneous or non-focusing background medium. These mediums do not support separation of scattered field. Utilization of background medium for scattered field separation casts the inverse problem in well-posed form.
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) | 0,000 | 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 | 0,000 |
| 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 ».