磁共振成像重建的新算法

提出了一种高效的磁共振成像重建算法,将磁共振成像重建看作标准的线性求逆问题,基于变量分离技术重新建立线性求逆问题的目标函数,用交替最小化方法处理新目标函数的优化问题.新目标函数的优化包含两个交替的过程:一个凸的光滑函数的优化和一个凸的非光滑函数的优化.为处理非光滑函数的优化问题,引入投影算法对其求解.实验结果表明了该磁共振成像重建算法的有效性,与同类算法性比,重建的磁共振图像的均方误差(MSE)最小,重建的速度最快.     

一种改进的代数神经网络电阻层析成像图像重建算法

本文以16电极的ERT系统为背景,从图像重建的稳定性和速度两方面对两相流场的图像重建算法优化进行实验室研究。针对电阻层析成像系统存在的软场特性、强非线性和不适定性,重建的图像质量差、计算时间长等问题。采用了一种将基于类支集函数的代数神经网络算法,将图像重建转变为一个严格对角占优的线性方程组的求解问题,以达到图像快速、准确的重建目的,该算法的求解过程稳定并具有良好的计算性能。同时针对大规模神经网络算法训练速度较慢的问题提出了分区域求解的改进方法。通过实验仿真分析,改进后的算法具有简化神经网络结构,比大规模神经网络运算速度快,误差小等优点,为电阻层析成像系统图像重建提供了新的有效方法。     

带有偏差单元的IRN在两相流ECT中的应用

该文提出了基于带有偏差单元递归神经网络算法在电容层析成像系统的图像重建中的应用。该算法克服了电容层析成像系统中电容测量灵敏度分布易受被测多相流介质分布的影响,利用MATLAB编程对带有偏差单元的递归神经网络进行训练,给出了图像仿真结果。仿真结果表明,该算法在保证了重建图像质量的前提下,缩短训练时间,提高了成像速度,满足了工业实时性的要求。     

Chebyshev神经网络在ECT图像重建中的研究与应用

针对目前电容层析成像系统图像重建分辨率不高,精确度低的问题,提出了一种新的采用Chebyshev神经网络对电容层析成像系统进行图像重建的方法。该神经网络不仅扩大了网络辨识模型的能力与学习适应性,而且算法简单,学习收敛速度快,有线性、非线性逼近精度高等优异特性。通过对封闭管道的气固两相流进行数据检测,并采用改进后的神经网络算法进行图像重建,实验结果证明该方法能明显改善成像质量,进而证明了该方法的有效性。     

一种新的基于平面检测器的锥形束体积重建算法

由于锥形束体积重建算法具有较高的获取投影数据的速度、较大的 X射线利用率及能保持重建物体的空间和密度各向同性等方面的优点 ,因而引起了人们的广泛关注 .针对锥顶轨迹为单圆的锥形束体积重建问题 ,提出了一种基于平面检测器的 T- FDK算法 (简称 FT- FDK算法 ) .该算法首先将锥形束投影数据重排为倾斜平行投影数据 ,然后再经过加权滤波和反投影重建来得到待测物体的三维结构 .实验结果表明 ,该算法不仅与传统的 FDK算法有相同的计算复杂度 ,且重建图象的质量有了明显的提高 ,因而该算法在医学成像和无损探伤等领域具有重要的实用价值 .     

基于改进Landweber算法的静电传感器研究

由于静电层析成像信息量少且本身为严重病态导致图像重建分辨率很低,为了提高图像重建质量,提出了一种改进的Landweber图像重建算法.采用线性反投影(LBP)算法重构的图像作为Landweber 迭代算法的初始值,再以Landweber算法重构最终图像.仿真实验表明:采用改进的Landweber迭代算法较之单独使用LBP算法和Landweber算法有较好的成像效果,可提高成像精度,较准确地判断管道内电荷的分布情况.     

基于形态学及SVM思想的病变图象识别方法

提出了一种将形态学理论与SVM(支持向量机)算法结合起来的病变图象特征识别方法.利用形态学的广义骨架理论及形状因子,抽取图象特征,作为SVM训练数据,同时借助SVM良好的分类性能,对图象骨架进行分类,从而实现图象特征的快速分类,提高识别率.本文以红外乳腺图象为例,说明了本算法的各种特色.实验结果表明,该算法能有效提高图象识别率并具有一定的应用前景,同时,该方法对其他类似的模式识别问题也有一定的借鉴作用.     

基于SOA优化的电磁层析成像图像重建研究

电磁层析成像逆问题根据灵敏场的边界测量值,通过合适的图像重建算法重建出物场区域内具有电导率或者磁导率的物体的分布情况,是电磁层析成像技术的核心。在逆问题求解的过程中,存在严重的不适定性,导致求解结果不准确,这主要是由于在图像重建过程中灵敏度矩阵的病态性所导致的。为了改善灵敏度矩阵的病态程度,提高成像质量,文章提出将人群搜索算法引入到电磁层析成像图像重建中,利用人群搜索算法对灵敏度矩阵进行优化,降低其条件数,改善病态程度,然后采用Landweber迭代算法进行图像重建验证效果。仿真结果表明,人群搜索算法能够明显降低灵敏度矩阵的条件数,从而有效提高图像重建结果。     

类支集神经网络在ECT图像重建中的研究与应用

以12电极电容阵列传感器ECT系统为背景,从图像重建的稳定性和速度两方面对密闭容器中气-固两相流场的图像重建算法优化进行实验室研究。将基于新型类支集函数的神经网络算法（NSSN）,应用于ECT系统图像重建算法中,使得图像重建算法的求解过程稳定并具有良好的计算性能。针对大规模神经网络算法训练速度较慢的问题提出了划分子网络的改进方法。通过对封闭管道的气固两相流进行数据检测,并采用改进后的神经网络算法进行图像重建,实验结果验证了改进后的方法弥补了大规模神经网络运算速度慢的不足,可以简化神经网络的结构,减少神经元的规模,为电容层析成像系统图像重建提供了新的思路。     

一种SAR层析成像的RELAX改进算法

受分辨率限制及旁瓣影响,传统的傅里叶变换方法获取合成孔径雷达层析成像(SAR tomography)高度维图像时,难以获得满意的成像结果.本文在松弛(RELAX)算法的基础上提出了一种改进算法(IRELAX)来获得SAR 层析成像的高度维像,通过Monte Carlo仿真对谱估计算法中的MUSIC,WSF,RELAX和IRELAX的性能进行了比较,结果表明本文提出的方法能够提高干涉相位估计精度,改善成像质量.     

Fuzzy linear regression based on Polynomial Neural Networks

In this study, we introduce an estimation approach to determine the parameters of the fuzzy linear regression model. The analytical solution to estimate the values of the parameters has been studied. The issue of negative spreads of fuzzy linear regression makes the problem to be NP complete. To deal with this problem, an iterative refinement of the model parameters based on the gradient decent optimization has been introduced.In the proposed approach, we use a hierarchical structure which is composed of dynamically accumulated simple nodes based on Polynomial Neural Networks the structure of which is very flexible.In this study, we proposed a new methodology of fuzzy linear regression based on the design method of Polynomial Neural Networks. Polynomial Neural Networks divide the complicated analytical approach to estimate the parameters of fuzzy linear regression into several simple analytic approaches.The fuzzy linear regression is implemented by Polynomial Neural Networks with fuzzy numbers which are formed by exploiting clustering and Particle Swarm Optimization. It is shown that the design strategy produces a model exhibiting sound performance.     

基于可嵌入式网络结构的图像超分辨率重建方法

针对卷积神经网络中的图像超分辨率重建模型训练不稳定与收敛速度较慢等问题,提出一种可嵌入式并行网络框架（EPNF）,用于单幅图像超分辨率重建任务。将现有的图像超分辨率网络模型作为EPNF框架的深层结构部分嵌入到该框架中,能够以较小参数代价加快所嵌入的超分辨率模型的收敛速度,在一定程度上提高模型的准确率。在EPNF网络结构的基础上,提出一种新的超分辨率重建方法EPNF_DCSR,采用稠密跳跃连接构造高分辨率（HR）图像的高频成分,并使用单层卷积构造HR图像的低频成分,合成一幅HR输出图像。实验结果表明,与当前主流的图像超分辨率算法相比,EPNF_DCSR具有更好的图像生成效果。     

MNR图像重建算法中正则化因子研究

为了提高电阻层析成像图像重建算法求解逆问题精度,对修正牛顿-拉夫逊算法中正则化因子进行了研究。借鉴改进粒子群算法中惯性权重递减策略,根据算法迭代过程中成像精度,自动更新正则化因子的最大值,提出一种新的改进牛顿-拉夫逊图像重建算法,应用于两相流典型流型——层状流、泡状流、环状流、中心流及复合流型图像重建。仿真实验结果表明,相同实验条件下,相比迭代线性反投影算法、修正牛顿-拉夫逊算法,新算法有效提高了图像重建精度。     

CNN卷积计算在移动GPU上的加速研究

卷积神经网络(CNN)凭借其优秀的表现正在诸如图像分类、语音识别等领域里扮演着越来越重要的角色,已经有一些研究人员想要将这个深度学习过程复制到手机上。但是,由于CNN巨大的计算量,移植程序的性能一直难以令人满意。为了探讨如何解决这一问题,借助MXNet这样一个深度学习的框架在手机上实现了CNN的前向过程,并且将注意力放在了使用手机上另一个强大的计算设备——GPU上。最终选择使用OpenCL通用编程框架将前向过程中最耗时的卷积操作利用矩阵乘来完成,并转移到GPU上进行。在此基础之上还针对手机GPU做了一些优化。最终,实验结果显示我们成功地将前向过程的时间降低到了原来时间的一半。     

Multiprocessor scheduling and neural network training methods using shuffled frog-leaping algorithm

In this paper, we designed novel methods for Neural Network (NN) and Radial Basis function Neural Networks (RBFNN) training using Shuffled Frog-Leaping Algorithm (SFLA). This paper basically deals with the problem of multi-processor scheduling in a grid environment. We, in this paper, introduce three novel approaches for the task scheduling problem using a recently proposed Shuffled Frog-Leaping Algorithm (SFLA). In a first attempt, the scheduling problem is structured as a problem of optimization and solved by SFLA. Next, this paper makes use of SFLA trained Artificial Neural Network (ANN) and Radial Basis function Neural Networks (RBFNN) for the problem of task scheduling. Interestingly, the proposed methods yield better performance than contemporary algorithms as evidenced by simulation results.     

一种基于模糊径向基神经网络的图像融合方法

传统的基于区域特征图像融合方法的一个难点是各源图像最佳权值的分配问题。该文利用径向基神经网络与T-S模糊推理模型具有函数等价性的特点,设计了一种模糊推理神经网络实现基于区域特征的图像融合,并用遗传算法优化网络参数。该网络能够自适应地动态获取优化的图像融合权值参数。仿真实验表明该算法有效可行,通过与传统的基于区域特征的图像融合算法相比,融合性能得到明显改善。