Metodica di inversione mild data driven con modello surrogato basato su reti neurali per l’imaging a microonde.

Abstract

Nella presente tesi, l'obiettivo è quello di creare un metodo innovativo per la risoluzione di un problema inverso, applicabile all'imaging a microonde. Questo utilizza un metodo ibrido, che combina un metodo di inversione deterministico con il machine learning. In particolare, viene considerata la combinazione di un metodo Inexact-Newton con un metodo mild data-driven con un modello surrogato, basato su una rete artificiale. In questo modo, viene introdotta una conoscenza a priori, migliorando la convergenza del metodo. I risultati ottenuti in questa ricerca mostrano, attraverso simulazioni numeriche, che l'approccio proposto porta a ricostruzioni abbastanza accurate delle proprietà dielettriche dell’oggetto in esame, riducendo i tempi di calcolo. Il metodo è stato testato con differenti iperparametri della rete neurale creata attraverso il modello surrogato, nonché con diversi parametri del training set. Questo approccio ibrido può rappresentare un passo avanti nello sviluppo di algoritmi di inversione per problemi non lineari e mal posti.

In the present thesis, the aim is to create an innovative method for the resolution of an inverse problem, which is applied to microwave imaging. It uses a hybrid method, which combines deterministic inversion methods with machine learning. In particular, the combination of an Inexact-Newton method with a mild data-driven method with a surrogated model, based on an artificial network is considered. In this way, a-priori knowledge is introduced, improving the convergence of the method. The results obtained in this research show, through numerical simulations, that the proposed approach leads to quite accurate reconstructions of the dielectric properties of the target, reducing computational time. The method has been tested with different hyperparameters of the neural network which implements the surrogate model, as well as with different parameters of the training set. This hybrid approach may represent a step forward in the development of inversion algorithms for non-linear and ill-posed problems.