线性吸收光谱层析技术（Linear tomographic absorption spectroscopy，LTAS）是一种广泛用于气体监测的无损诊断技术。LTAS的逆问题是一个经典的病态问题，研究中常用线性迭代算法来解决这类问题，但是这类算法难以结合恰当的先验条件，通常会导致较差的重建结果。数据驱动的神经网络在提高重建精度方面有着非常大的潜力；然而，在真是测量中获取大量的实验数据是非常困难的。
为了克服这些限制，上海交通大学蔡伟伟教授团队提出了一种无需训练的神经网络（Untrained neural network, UNN）来求解LTAS的逆问题。通过与基于移动方差的提前终止方法结合，UNN在无需训练数据的情况下实现了更高的重建精度。通过数值仿真，本文探究了UNN的最优网络结构，并评估了提前终止方法的可靠性。UNN与超限化ART算法的对比也充分证明了UNN的卓越性能。本文发表于《中国科学：技术科学》英文版Science China Technological Sciences2024年67卷第9期。
请点击 阅读原文 查看文章
