背景
微波成像是重建不可接近介质的电特性的基本技术。已经提出了许多使用算法来解决与该技术相关的电磁逆散射问题的方法。除了算法之外,还需要实现足够的结构来表示问题域、输入数据、采用的度量结果和实验例程。我们引入了一个开源 Python 库,它提供了一个模块化和标准化的框架,用于实现和评估该问题的算法性能。该库基于执行算法的基本组件的实现,旨在促进新方法的开发和讨论。通过按类组织的模块化结构,研究人员可以根据测试随机化、特定指标和统计比较等特性设计案例研究和基准测试。
概述
微波成像 (MWI) 是一种在 1970 年代开始研究其潜力的技术,并从那时起吸引了大量研究。其主要目标是通过研究其电特性,重建感兴趣区域内部的图像。这些特性是通过电磁波在 300 kHz 和 300 GHz 之间的频谱中的传播来研究的。由于它们的优势,例如必要设备的成本相对较低和使用非电离辐射,许多研究人员已经开发出适用于不同类型应用的技术,包括乳腺癌和脑卒中癌症检测、无损检测和评估、穿墙成像等。主要挑战是电磁逆散射问题 (EISP)的解决方案,该问题是病态的、非线性的和多模态的,即,当被表述为优化问题时,它可以具有多个局部最小值。
简述:电磁逆散射现状。Python解决算法提出。
电磁逆散射数学特征
简述:数学等式描述电磁散射已经可调节变量。
Python 算法实现
简述:按照电磁逆散射算法表示 EISP,为该问题开发专门的算法,并分析和比较结果。算法实现目标。算法 UML 类架构图及描述。
算法类
简述:基础类及其职能。配置类对比数学等式中的作用。输入数据类对比数学等式的作用。结果类的功能及其在算法数学描述。算法伪代码。方法类描述:正向求解器,逆向求解器。测试类实现类型:CaseStudy 类,Benchmark 类。辅助类和模块:离散化类,测试集类,StopCriteria 类,正则化类,统计模块,evoalglib模块,绘制模块。
使用示例
简述:Python 编写和运行测试,示例学习和基准
详情参阅 亚图跨际