[论文解读] A Universal Sampling Framework for Solving Physics-driven Inverse Source Problems.

John Murray–Bruce, Pier Luigi Dragotti|arXiv (Cornell University)|Feb 16, 2017

Scientific Measurement and Uncertainty Evaluation被引用 3

一句话总结

本文提出了一种通用采样框架，用于求解由线性偏微分方程（PDE）控制的物理驱动反源问题。通过利用采样理论与多维频率估计技术，该方法从广义测量中重建未知场源——广义测量被定义为传感器数据的加权和，其中权重由格林函数导出，从而实现对噪声具有鲁棒性、且在实际中可行的传感器网络策略，并通过数值性能验证了其有效性。

ABSTRACT

Partial differential equations are central to describing many physical phenomena. Moreover in many applications these phenomena are observed through a sensor network, with the aim of inferring its underlying properties. Here we present a new framework for analysing fields governed by linear partial differential equations. The framework leverages from certain results in sampling and approximation theory to provide a unifying approach for solving a class of inverse source problems. Specifically, we show that the unknown field sources can be recovered from a sequence of so called generalised measurements using multidimensional frequency estimation techniques. Moreover, we show that this sequence of generalised measurements for our physics-driven fields, can be computed by taking linear weighted-sums of the sensor measurements, whereby the exact weights (of the sums) coincide with those that can reproduce multidimensional exponentials from linearly combined translates of a particular prototype function. The prototype function and the desired weights are shown to depend on the Green's function of the underlying field. Based on this new framework we develop practical, noise robust, sensor network strategies for solving the inverse source problem, and then present numerical simulation results to verify their performance.

研究动机与目标

• 开发一个统一框架，用于求解由线性偏微分方程（PDE）控制的物理驱动系统中的反源问题。
• 利用基于采样理论的广义测量，从传感器网络测量中实现未知场源的重建。
• 基于所提出的框架设计对噪声具有鲁棒性、且在实际中可行的传感器网络策略，以提升其在真实世界中的适用性。
• 建立底层PDE的格林函数与从传感器数据重建源的最优权重之间的理论联系。

提出的方法

• 利用采样与逼近理论的成果，将反源问题统一建模于一个数学框架中。
• 将广义测量表示为传感器输出的线性加权和，其中权重由与多维指数函数相关的再生核导出。
• 从控制PDE的格林函数推导最优权重，确保与物理场模型的一致性。
• 采用多维频率估计技术，从广义测量序列中恢复未知源分布。
• 基于推导出的采样策略，构建最小化重建误差并增强对噪声鲁棒性的传感器网络配置。
• 通过数值模拟验证该框架，展示在受控噪声条件下仍能实现精确的源恢复。

实验结果

研究问题

• RQ1 如何构建一个统一框架，以求解由线性PDE控制的多样化物理驱动系统中的反源问题？
• RQ2 格林函数在确定从传感器测量中重建源的最优权重方面起什么作用？
• RQ3 能否通过多维频率估计技术，利用由传感器数据加权和构成的广义测量，实现准确且稳定的源重建？
• RQ4 如何设计传感器网络配置，以在保持高重建保真度的同时确保对噪声的鲁棒性？
• RQ5 采样理论、基于核的重建与PDE驱动系统中反源问题的求解之间存在何种理论联系？

主要发现

• 该框架能够实现从通过传感器数据线性组合导出的广义测量中，对未知场源进行通用重建。
• 这些线性组合的最优权重由底层PDE的格林函数显式确定，从而确保物理一致性。
• 多维频率估计技术成功地从广义测量中高精度地恢复了源分布。
• 所提出的传感器网络策略在数值模拟中表现出对噪声的鲁棒性，验证了其在受控噪声条件下的有效性。
• 理论分析表明，广义测量序列可使用与从原型函数平移中重构多维指数函数相同的权重进行计算。
• 数值结果验证了该框架的有效性，表明其在噪声环境中仍能实现稳定且精确的源重建。