9.1.1 算子学习范式的提出与动机
传统神经网络在雷达成像与电磁逆散射领域的应用,大多遵循函数逼近的范式:将离散的雷达回波信号作为输入向量,通过多层感知机或卷积神经网络的非线性变换,输出对应的目标散射率分布或几何参数。这种范式本质上学习的是从有限维输入空间到有限维输出空间的点映射,其泛化能力严格依赖于训练数据与测试数据在离散网格上的一致性。一旦测量系统的采样率、观测角度或频率带宽发生变化,网络往往需要重新训练或进行繁琐的插值预处理。
算子学习(Operator Learning)范式的提出,旨在突破上述离散化瓶颈。Li et al. 在2020年提出的傅里叶神经算子(Fourier Neural Operator, FNO)框架,首次实现了在无限维函数空间之间直接学习映射关系 12。与经典神经网络不同,FNO 的输入与输出并非固定维度的张量,而是定义在物理域上的函数场。对于雷达成像而言,这意味着网络可以直接将入射场分布或接收孔径上的回波场函数,映射为目标区域内部的介电常数分布函数,而无需关心具体的网格离散化方案。该特性使得 FNO 具备分辨率不变性(Resolution Invariance),即在同一算子框架下,既可以处理低分辨率粗网格的实测数据,也可以输出高分辨率精细网格的重建图像 3<
订阅专栏 解锁全文
1694



被折叠的 条评论
为什么被折叠?



