电容层析成像RBF神经网络图像重建算法的改进

RBF神经网络图像重建算法在电容层析成像系统中应用广泛,它较好地克服了ECT系统的软场特性、强非线性和不适定性,其成像时间和成像精确度比其他算法都有很多改善.本文从有限元场域剖分、数据归一化和神经网络输入层角度对该算法进行了相关改进.仿真实验结果证明,改进后的算法有着更好的成像时间和成像精确度.     

基于RBF神经网络的电容层析成像图像重建算法

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RBF神经网络对电容层析成像系统进行图像重建的方法.该神经网络采用改进的自适应遗传算法,优化选取隐层神经元的中心和宽度,用Tikhnov正则化方法训练网络权值.12电极的电容层析成像系统的仿真实验结果表明,该方法能明显改善成像质量,成像精确度较好,证明了该方法的有效性.     

DSP在ECT系统图像重建中的应用

在电容层析成像系统(ECT)中，实时图像重建的速度是一个迫切需要解决的问题，而已有的算法也未能很好地提高重建图像的精度．消除图像重建中数值不稳定性的有效方法是正则化法．利用了基于能量约束的有约束最小二乘法来实现图像重建，由于该算法的计算量与速度最快的LBP算法相当，并用DSP来实现算法。因此。图像重建的速度和精度都得到了解决．     

基于RBF神经网络的转炉炼钢终点预报

转炉炼钢控制目标是终点温度和碳含量，由于炉温过高，无法在线连续测量.用传统的机理模型建立的终点温度和碳含量模型不够精确.基于RBF神经网络任意逼近函数能力，隐层中心采用最近邻聚类算法，避开K-均值法依赖于聚类中心的初始位置，易陷入局部极小点的缺点.权值调整采用带加权因子的递推最小二乘算法，建立基于RBF神经网络的转炉炼钢终点温度及碳含量的预报模型，并结合某钢铁企业一座180 t转炉的实际数据进行模型验证研究.结果表明,预报精度高于传统的机理模型及BP模型.     

基于网格计算的电容层析成像图像重建技术的研究

针对目前电容层析成像系统在处理和解决上,对图像重建实时性的需求还有所欠缺的问题,提出了以网格计算技术为支撑,构建基于网格技术的图像重建系统,将分布的计算机资源组织协调起来共同解决科学与工程问题.这一技术提高了图像重建结果的处理速度,解决了单从算法优化角度无法解决的实际应用问题.     

电容层析成像系统的图像重建

电容层析成像技术是20世纪80年代中后期形成和发展起来的过程层析成像技术。由于电容传感器具有“软场”特性，并且数据采集系统所获得的投影数据有限，因此图像重建精度的提高成为电容层析成像技术研究的一个难点，为解决这一问题，研究了电容层析成像系统的构成和数学模型，阐述了ECT系统的图像重建算法的发展现状及改进方法。     

RBF神经网络的混合学习算法

针对RBF神经网络的最近邻聚类学习算法存在的学习精度不理想和固定网络结构的梯度下降训练学习算法存在的中心不易确定、训练时间长等问题,提出一种基于最近邻聚类中心选取和梯度下降训练的RBF神经网络混合学习算法,解决了RBF网络径向基函数的中心取值问题,提高了网络的学习精度和训练速度.将该算法应用于非线性系统的在线辨识与二维函数的逼近,仿真实验结果证明了该方法的有效性.     

基于RBF神经网络的交通流量预测算法

传统的径向基函数神经网络构造算法大多是根据先验知识和以往的经验事先确定网络的隐层结构,采用传统聚类和最小二乘法训练网络的各项参数,这种算法一般是基于局部搜索机制,使得训练的参数往往陷入局部极小值.提出用遗传算法结合一种新的聚类方法即最疏集（MSS-most scattered set）均值聚类算法和传统的最小二乘法来训练RBF（radial basis function）网络结构参数的方法.该方法不仅避免了网络训练陷入局部极小的问题,而且新的聚类方法的计算效率有所提高.通过把该算法应用在交通流预测方面,取得了令人满意的效果.     

电容层析成像图像重建算法的研究

在分析电容层析成像基本原理和图像重建算法的基础上，提出了采用迭代代数方法对管道截面图像进行重建．针对迭代算法收敛速度慢、耗时多的缺点，对迭代算法进行了改进，使重建图像的速度和质量都有明显的提高．     

基于RBF神经网络的彩色图像盲水印算法

利用径向基函数神经网络(radial basis function, RBF)把水印嵌入到彩色图像的DCT(discrete cosine transform)域.首先把原始图像从RGB空间变换到YCrCb颜色空间,使得水印的嵌入更加符合人的视觉特性;然后将色度分量(CrCb)进行二维DCT变换,将水印通过量化的方式嵌入到CrCb的直流成分中,以提高水印的不可见性和鲁棒性;嵌入水印的时候,使用密钥来控制水印在图像的嵌入位置,来增强水印的安全性;最后,利用RBF来训练模拟量化的逆过程,借助训练得到的RBF神经网络来完成嵌入和提取水印,进一步提高水印鲁棒性.仿真试验表明该方法在保证了很好的不可见性的同时,使水印对于常见的图像水印攻击都具有良好的鲁棒性.     

基于RBF神经网络的钢框架梁端节点损伤识别

为有效识别钢框架梁端节点损伤程度及半刚性节点刚度参数,提出采用钢梁位移模态和曲率模态指标作为神经网络的输入参数,基于RBF神经网络对刚框架梁端节点损伤程度进行参数识别研究.结果证明,位移模态识别损伤位置的准确度高于曲率模态,对损伤程度的识别曲率模态优于位移模态.其中位移模态损伤识别误差小于10%,曲率模态识别误差小于5%,得出基于RBF神经网络可以较好的识别节点损伤及半刚性刚度参数.     

基于自适应阈值滤波的三维ECT重建算法

针对三维ECT迭代重建时,重建图像中含有大量伪迹且重建迭代次数多的问题,提出一种基于自适应阈值滤波的三维ECT重建算法.该算法融合Landweber迭代算法和模糊阈值滤波技术,在算法迭代过程中采用阈值滤波方式对三维ECT重建图像进行强化伪迹抑制.利用当前图像模糊度量最小属性确定阈值大小,给出了模糊阈值计算公式,并进行了三维图像重建的仿真和实验研究.结果表明,自适应阈值滤波方式能够显著减少重建图像中的伪迹和重建时间,所提算法具有良好的应用潜力.     

带阈值滤波的迭代法三维ECT图像重建

针对Landweber迭代法用于三维ECT重建时,需要的迭代次数多且重建图像中含有大量伪迹的问题,提出了一种带阈值滤波的迭代重建法.该方法利用Landweber迭代法重建一初始图像,用阈值滤波获得改进图像,为了获得最佳阈值,依次用有限个离散化阈值对初始图像做二值化处理,计算出二值化图像对应的电容估计值与电容测量值之间的误差,并将对应最小误差的阈值确定为最佳阈值.仿真实验结果表明,自适应阈值滤波能够显著减少重建图像中的伪迹和重建时间,该方法具有良好的应用潜力.     

一种基于神经网络的超分辨图像重构方法

针对在航空航天遥感领域中使用CCD相机对景物进行成像时,由干像元尺寸的限制导致图像分辨率低的问题,提出了采用人工神经网络映射图像重构过程非线性特性的方法。在相机参数已知的情况下,用后向误差传播(BP)神经网络融合从不同角度对同一景物重复拍照得到的多帧低分辨率图像的冗余信息,重构得到较高分辨率的图像。在模拟成像仿真实验中得到了分辨率提高4倍、信噪比接近30dB的超分辨结果。     

基于RBF神经网络的交通流量预测算法

传统的径向基函数神经网络构造算法大多是根据先验知识和以往的经验事先确定网络的隐层结构,采用传统聚类和最小二乘法训练网络的各项参数,这种算法一般是基于局部搜索机制,使得训练的参数往往陷入局部极小值.提出用遗传算法结合一种新的聚类方法即最疏集（MSS-most scattered set）均值聚类算法和传统的最小二乘法来训练RBF（radial basis function）网络结构参数的方法.该方法不仅避免了网络训练陷入局部极小的问题,而且新的聚类方法的计算效率有所提高.通过把该算法应用在交通流预测方面,取得了令人满意的效果.