阅读文献：

A Priori Knowledge-Based Physics-Informed Neural Networks for Electromagnetic Inverse Scattering

发表时间：2024

发表刊物：IEEE

摘要：

在物理知情神经网络（PINN）方法的基础上，提出了一种 两步逆散射方法，以提高反演的效率和精度。

第一步是通过传统的反演算法，即基于频域的离散有限差分迭代法（DFIM），计算感兴趣域中的总场和介电常数分布的初始解，作为级联PINN的先验信息。

第二步是在所提出的用于网络训练的PINN框架中，使用计算的先验信息作为数据丢失项的附加部分。通过几个典型的数值算例和一个实验算例验证了该方法的可行性。反演结果表明，该方法具有良好的精度、效率和对噪声的鲁棒性。与电磁转换中的数据驱动深度学习方法相比，该方法属于无监督学习框架，可以处理更一般的问题。与传统的逆算法相比，它具有更高的效率和准确性。总的来说，所提出的两步方法继承了传统深度学习方法和逆散射方法的优点。重要的是，它还建立了传统逆散射算法和深度学习方法之间的桥梁。

索引术语——深度学习、电磁逆散射、全波反演、物理信息神经网络（PINN）。

词汇：

priori 先验的

Physics-Informed Neural Network (PINN) 物理知情神经网络

inverse scattering 逆散射(逆散射问题ISP)

deep neural networks 深度神经网络(DNNs)

the distorted finite-difference-frequency domain-based iterative method 基于频域的离散有限差分迭代法（DFIM）

• 第一个讨论点（基于先验知识的物理知情神经网络 的 发展历史）