PINN 入门讲义:从微分方程到物理信息神经网络
一份面向初学者的 PINN 系列讲义总目录,从微分方程、数值近似、神经网络函数到物理约束训练逐步展开。
利用压缩感知和特征模态快速分析三维物体双站散射问题
本文利用特征模态(CM)和压缩感知(CS)相结合来加速三维物体双站散射问题的求解。基于域分解,通过CM基函数成功地对Rao-Wilton-Glisson基函数离散的表面感应电流进行了稀疏变换。与传统矩量法的稠密矩阵方程不同,本文方法构造了一个规模更小的低秩CS模型,其中感应电流可以被高效重构。...
基于分块的克雷洛夫子空间基函数加速压缩感知矩量法求解双站散射
为提高矩量法中结合压缩感知和Krylov子空间求解电磁散射问题时构造基函数的效率,本文提出了一种新方法,采用分块技术构造Krylov子空间基函数。首先将目标划分为若干小块,每块进行扩展以保证电流的连续性。然后在每块上计算Krylov子空间基函数。进一步通过奇异值分解技术增强基函数的正交性以获得...
几何信息驱动的神经网络算子(GI-KANO):FNO+GNO+KAN 求解 3D PEC 目标电场积分方程
本文提出了一种具有可学习激活函数的几何信息神经算子(GINO)。它采用数据驱动方法求解三维完美电导体目标的电场积分方程(EFIE)。几何信息Kolmogorov-Arnold神经算子(GI-KANO)由傅里叶神经算子(FNO)、图神经算子(GNO)和Kolmogorov-Arnold网络(KA...
利用物理信息图残差学习求解组合场积分方程用于三维PEC目标电磁散射
本研究提出物理信息图残差学习(PhiGRL),作为一种有效且鲁棒的深度学习方法用于三维电磁建模。PhiGRL从物理信息监督残差学习(PhiSRL)扩展而来,通过应用图神经网络(GNN)预测修正量,模拟不动点迭代法的计算过程以迭代修改候选解直至收敛。GNN的应用使PhiGRL能够自适应处理三维电...
基于物理启发式机器学习与实验设计的导电目标高效 RCS 预测
本文提出了一种结合机器学习和实验设计的混合方法,用于高效准确地预测导电目标随入射角变化的单站雷达散射截面(RCS)。该方法称为物理光学启发支持向量回归(POI-SVR),其核函数的设计灵感来源于物理光学法。引入均匀设计(UD)和均匀设计采样(UDS)来获得具有高度代表性的训练样本。对简单和复杂...