基于遗传算法电容层析成像图像重建算法的研究

采用了有限元法和归一化敏感场对传感器进行了仿真分析和计算，并提出了敏感场数值从有限元域到成像域的转换方法和一种新的基于遗传算法的ECT图像重建方法．该图像重建方法利用流型数据作为初始值在一定的范围内搜索最优解，能以较高的精度重建两相流体的断层图像，为ECT图像重建算法的研究提供了一个新的思路。     

基于小波神经网络的电容层析成像图像重建算法

电容层析成像(electrical capacitance tomography,ECT)技术是一个复杂的非线性问题,针对图像重建问题的病态性,提出了基于小波神经网络的图像重建算法。利用主成分分析法对输入变量(电容测量值)进行降维处理,利用小波神经网络建立电容测量值与成像区域介电常数分布的非线性映射。小波神经网络的神经元激励函数由伸缩和平移因子决定的小波基函数,采用BP算法对网络进行训练,并引入学习率与动量因子的自适应调整方法以加快网络训练的收敛速度。实验结果表明,与典型的反投影及Landweber迭代算法相比,该算法所构图像质量有明显改善。     

改进牛顿–拉夫逊电阻层析成像图像重建算法

为了满足电阻层析成像图像重建算法应用于两相流领域的精度与实时性要求,提出一种改进牛顿–拉夫逊算法。针对牛顿–拉夫逊算法局部收敛的特点,将线性反投影算法成像结果作为新算法初始电阻率分布估计值,并利用基于改进粒子群算法的平衡法对海森矩阵进行预处理,降低条件数。同时在新算法迭代过程中,当振荡次数超过设定值时,采取自动更新灵敏度矩阵的策略。仿真与实验结果表明,与线性反投影算法、兰德韦伯算法及简化牛顿–拉夫逊算法相比,新算法降低了图像重建误差,有效提高了图像重建质量;而与标准牛顿–拉夫逊算法相比,新算法在满足成像精度前提下,避免了每次迭代均需更新灵敏度矩阵的缺点,提高了算法收敛速度。     

电磁层析成像图像重建算法

电磁层析成像因其非侵入性、安全性能佳和速度快等特点在多相流在线检测中具有良好的发展前景,电磁层析成像中的重建算法与技术,是其在工业实际中得以应用的关键。近年来在图像重建方面的研究取得了较大的进展,灵敏度系数法,线性反投影(LBP)法,Tikhonov正则化法及ART法,同步代数重建法(SIRT)算法,Newto-Raphson法,Landweber迭代法等等。此外,对神经网络等新出现算法在EMT图像重建中的应用取得了一定的成果。本文对各种算法作了一定的评述。     

基于正则化的LANDWEBER电容层析成像图像重建算法研究

在分析电容成像基本原理和图像重建算法基础上,针对Landweber迭代算法收敛速度慢,本文提出一种基于Tikhonov正则化算法的Landweber迭代法.算法采用Tikhonov正则化算法代替LBP算法作为Landweber迭代法的起始步,并推导出相应的优化迭代步长.经仿真验证,该算法在图像重建收敛速度和抗干扰能力上要高于Landweber迭代法.     

基于贝叶斯理论的电容层析成像图像重建迭代算法

提出了一种基于贝叶斯理论的电容层析成像(electrical capacitance tomography,ECT)图像重建算法。与现有的ECT图像代数重建算法不同,该算法将介质分布的先验信息和噪声信息等统计信息引入到ECT图像重建中。文中针对5种典型介质分布进行了数值仿真实验,结果表明该算法对于两相流中不同的介质分布均具有良好的适应性。迭代步数和先验概率的协方差取值对图像重建结果有较大影响。在迭代过程中,该算法所需的增益矩阵的更新不依赖于输入,因而可以离线预先计算,从而减小图像重建的计算压力,提高该算法重建速度。     

基于敏感场变换的电容层析成像图像重建算法研究

快速而又具有一定精度的图像重建算法是电容层析成像(ECT)技术的关键。本文采用有限元方法,通过对敏感场机理的分析,提出一种基于敏感场变换的ECT图像重建新算法,通过对敏感场进行变换来提高电容传感器在管道中心区域的灵敏程度,从而提高管道中心区域的图像重建精度。该算法应用敏感场信息的部分数据和全部数据分别进行一次图像重建,将2次重建得到的图像进行组合得到最终重建图像。仿真和实验表明该算法能够快速而又较高精度的重建出两相流断层图像,尤其是在管道中心区域,图像重建精度有了较大提高。     

基于快速投影LANDWEBER法的电容层析成像图像重建算法研究

提出一种新的基于快速投影Landweber法的ECT图像重建算法。算法采用两部分迭代，初期采用预置矩阵加速迭代，该矩阵通过优化步长广义逆预迭代得到；后期采用常规投影Landweber法稳定迭代。探讨了ECT应用该算法的收敛条件，该算法易满足收敛条件且预置矩阵参数选取简单。仿真和实验结果表明，与LBP、OIOR、投影Landweber算法相比，该算法兼备收敛稳定性好及收敛速度快等优点。     

基于改进Runge-Kutta型landweber的电容层析成像图像重建算法

针对电容层析成像(ECT)技术中的"软场"效应和病态问题,提出了一种改进的RungeKutta型landweber的电容层析成像算法。在分析ECT系统基本原理的基础上,推导出了解决电容层析成像问题的改进Runge-Kutta型landweber算法的数学模型,并采用迭代误差的单调性对算法的收敛性进行了分析。在此基础上探讨了ECT应用该算法的可行性,算法满足收敛条件且重建图像误差小。仿真和实验结果表明,该算法和LBP、landweber、最速下降法和共轭梯度算法相比,该算法兼备成像质量高、稳定性好等优点。     

基于深度神经网络的电阻层析成像重建方法

电阻层析成像技术因其非侵入式测量特点、结果可视化的直观性和测量方法便捷性，被广泛用于医学造像，两相流工业检测和特殊材料检测。但其图像重建的逆过程由于固有的欠定性、病态特点，使得结果有一定偏差。针对该情况，设计了基于Resnet34改进的深度神经网络来求解电阻抗层析成像逆问题。通过设置场域内以像素点为中心，小范围内随机半径与电阻率分布变化强度，正向计算仿真32电极情况下各电极处边界电压，以此建立训练与测试数据集。经调参、训练后，该方法能较快收敛，并和高斯-牛顿法、全变差法以及Tikhonov正则化算法相比较，得到较好的判定性能。     

基于小波神经网络的自动调焦方法研究

现有的对焦评判规则一般都缺乏考虑人的主观因素,因此其成像系统的调焦效果难以有进一步的改善。采用基于遗传算法的优化BP网络完成图像质量模式识别的功能,即用神经网络去拟合图像经小波分析后提取的特征值到图像质量之间的映射关系,该映射有效的改善了调焦效果。同时由于遗传算法具有更好的鲁棒性,用遗传算法代替BP算法来搜索神经网络的连接权,可解决BP网络陷入局部极小问题。利用小波变换对目标进行多分辨率分析,从而模拟人眼的多频率通道分解现象,同时利用基于遗传算法的BP神经网络完成图像质量模式识别的功能,可以有效提高调焦效果。     

基于卷积神经网络的深度图像超分辨率重建方法

为了更有效地提高深度图像的分辨率,构建了一种更深层次的深度图像超分辨率重建的卷积神经网络。该网络直接将低分辨率深度图像作为网络的初始输入,通过卷积神经网络学习图像的高阶表示,获得更具有表达能力的深层特征,同时在网络的输出层引入亚像素卷积层,针对提取到的特征学习不同上采样滤波器,实现上采样放大操作。为了实现网络更好地收敛,在网络中加入了残差网络结构。在4个常用数据集上的实验结果表明,与其他先进方法相比,该方法网络收敛速度更快,并可以有效地保护图像的边缘结构,解决伪影问题,且在定性和定量两方面均取得了很好的重建效果。     

基于神经网络的CT脑血管图像边缘检测算法

CT脑血管医学图像的三维重构都是源自二维断层扫描,脑血管边缘特征向量的提取是图像处理的关键步骤。为提高边缘特征的提取和保证三维重建图像的质量,在分析了某些常用的边缘检测算法性能基础上,同时结合CT脑血管图像的像素结构特点,将SA_SOFM神经网络算法成功地用于对CT脑血管图像的边缘特征信息提取中。并对算法进行有效的改进,基于真实图像的实验表明该算法提高了边缘特征信息的精度和鲁棒性。     

基于相空间重构小波神经网络的短期风速预测

风速具有高度非线性和非平稳性,难以精确预测。对此,利用神经网络逼近非线性函数的能力,结合小波变换多尺度特性,使风速在一定频域尺度上表现出准平稳性,建立了风速的小波神经网络预测模型。为了解决神经网络输入的随意性,以相空间重构理论确定最佳延迟时间和最小嵌入维数,重构风速时间序列,以重构后的时间序列作为模型的输入量对网络进行训练。仿真结果表明,所提基于相空间重构小波神经网络风速预测的准确性能得到了提高。     

改进的ECT成像法在传送带检测上的应用研究

针对电容层析成像技术中的"软场"效应问题,在分析了样条权函数神经网络算法基本原理的基础上,指出了基于样条权函数算法的改进思想.并将改进后的算法应用在电容层析成像对传送带钢芯绳检测技术的图像重建中,同时利用仿真得到的电容值,对算法进行了成像计算.并且与神经网络算法中的BP神经网络算法和样条权函数算法的成像进行了比较.实验...     

遗传小波神经网络及在电机故障诊断中的应用

本文给出了基于优化遗传算法的小波神经网络故障诊断模型。首先利用改进的遗传算法对神经网络的权值和阈值进行遗传操作,获得具有一定遍历性的初始权值和阈值,然后再利用神经网络的L-M训练方法进行训练,克服了BP神经网络搜索速度慢和容易陷入局部极值的缺点,保证了训练过程收敛,而且故障识别的能力和精度也大大提高。同时引进比小波分析具有更强高频分析能力的小波包技术,并将其应用到故障信号的特征频率分析中,以得到的结果作为改进遗传神经网络的输入信号,保证训练网络的准确性。通过对电机故障进行仿真试验,证实该方法的有效性及正确性。     

基于S-PNet 的触觉电阻抗成像后处理算法研究

电阻抗成像技术(EIT) 因其非侵入式的特性为机器人柔性触觉传感器的压力点分布可视化提供了一种可行的方法。 然而EIT 逆问题具有高度的非线性和病态性,当多压力点相近时,重建图像的伪影会导致压力点间存在粘连。为解决上述问 题,提出一种由特征提取、特征重建以及加强特征提取3个模块构成的S-PNet 电阻抗成像后处理算法,实现对粘连压力点的 分割以及形状重建。该算法使用金字塔池化结构加强特征提取,在增加极小计算量的情况下,能够提取到区分相近压力点边 界的多尺度特征。采用均方根误差(RMSE) 和结构相似度(SSIM) 来评价后处理图像质量,实验得出RMSE 的平均值为 0.02,SSIM 的平均值为0.97。仿真与实测结果均表明,与现有算法相比,基于S-PNet 的后处理算法能够得到边界清晰且形 状准确的结果。     

基于小波变换与BP网络的舰船磁场信号检测

针对水中兵器探测舰船磁场信号时信噪比较低的问题,提出了一种小波变换结合反向传播(backpropagation,BP)神经网络的检测方法.根据舰船磁场信号的时频特征,首先对信号进行小波分解,提取最后一层的低频分量,滤除高频噪声;再采用BP神经网络对低频分量进行学习,提取舰船目标特征信号.将此算法应用于船模实测实验,结果...     

基于正交小波包变换的前馈神经网络盲均衡算法

针对前馈神经网络盲均衡算法收敛速度慢、均方误差大的缺点,在分析前馈神经网络盲均衡算法和正交小波包变换理论的基础上,提出了基于正交小波包变换的前馈神经网络盲均衡算法。该算法利用正交小波包变换良好的去相关性,对前馈神经网络均衡器输入信号进行预处理后,降低了输入信号的自相性,从而加快了收敛速度和减小了均方误差。水声信道的仿真结果表明,该算法在收敛速度与均方误差方面的性能比前馈神经网络盲均衡算法优越。     

基于小波过程神经网络的短期风速预测

针对风速序列非线性和非平稳性的随机性特点,提出了基于小波过程神经元网络的短期风速预测方法.首先利用相空间重构理论,计算出风速时序的最佳嵌入维数作为网络的输入层节点数,根据小波神经网络的经验公式来选取网络隐含层的节点数初始值,通过调整参数使网络误差达到最小值,得到合适的隐层节点数,并给出相应的学习算法.算例仿真结果表明所提预测方法的可行性,运用本方法与时序ARMA模型对比,其预测结果的精度明显提高.