SADE-ELM电容层析成像流型辨识算法

针对电容层析成像反问题流型识别较难的问题,提出了一种新的ECT流型辨识算法——差分演化优化极端学习机算法,进而提出了基于自适应差分演化优化极端学习机(Sa DEEML)的ECT辨识算法.在论述极端学习机算法的基础上,结合差分演化算法对极端学习机算法进行优化,自适应差分演化算法中的关键参数,通过训练得到各类流型的分类器的参数,构造分类器进行精准与快速分类.实验结果表明:该算法能有效克服极端学习机算法的缺点并提高了局部与全局收敛能力,通过与BP、SVM算法比较,该算法具有竞争力,并为电容层析成像流型辨识的研究提供了新算法.     

自适应与附加动量BP神经网络的ECT流型辨识

传统BP神经网络是解决电容层析成像系统流型辨识经典的算法,虽然在一些简单问题上达到了工业实际应用的要求,但如果解决复杂工业问题时就会暴露出很多缺陷。针对传统BP神经网络算法的不足,为降低误差震荡现象,引入了自适应调节学习速率和附加动量因子。通过输入电容值进行训练,得到适合流型识别神经网络。仿真实验结果表明,该算法不仅继承传统BP神经网络的优点,而且还提高了ECT系统流型辨识中的收敛速度慢,解决了容易陷入局部极小值的问题。     

基于电容层析成像和LS-SVM的空隙率测量

基于12电极电容层析成像（ECT）和最小二乘支持向量机（LS-SVM），提出了一种油气两相流空隙率在线测量的新方法.该方法运用快速的线性反投影算法重建两相流截面图像，结合模糊模式识别技术辨识流型.把ECT电容传感器得到的66个电容测量值作为空隙率测量模型的输入，利用LS-SVM建立了针对不同截面流型的空隙率测量模型.在实际测量时，首先辨识流型，然后选择与流型相对应的空隙率测量模型计算获得空隙率.该方法省去了采用传统ECT方法测量空隙率时复杂的图像重建过程，提高了空隙率测量的实时性.实验结果表明该测量方法是有效的.     

Elman神经网络在ECT系统流型辨识中的应用

针对电容层析成像系统ECT(electrical capacitance tomography)流型辨识问题,在对ECT系统工作原理和流型的辨识方法分析的基础上,提出了一种基于Elman神经网络的ECT系统流型辨识方法,该方法通过对ECT系统采集的电容值特征值提取与处理,将提取的特征值作为Elman神经网络的输入进行训练,经训练后达到流型辨识的目的.经仿真实验验证,与传统的BP神经网络相比,该方法具有结构简单,收敛速度快,不会因阶次未知而出现网络结构膨胀的问题,为ECT系统流型辨识的提供一种的有效方法.     

BP神经网络在电容成像流型识别中的应用

提出了一种基于ＢＰ神经网络两相流流型辨识算法．该方法可克服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,对网络结构及其学习参数进行了研究,可对各种气固两相流流型能有效地判别．     

一种分解型Quasi-Newton电容层析成像图像重建算法

针对电容层析成像系统中的"软场"效应和病态问题,在分析电容层析成像和QuasiNewton算法原理的基础上,基于非线性最小二乘的成像原理,提出了一种新的分解型Quasi-Newton电容层析成像算法,推导出了求解ECT反问题的分解型拟牛顿图像重建算法放的计算步骤,同时利用信赖域公式对目标函数的Hessian矩阵进行校正.仿真实验表明,基于分解型拟牛顿方法具有可行性,对于基本流型该算法与LBP算法相比,具有成像质量高和边界均匀稳定的特点,为ECT图像重建的研究提供了一个新的思路.     

基于Kmeans-GMM模型的地板块纹理分类算法

为解决地板块纹理分类难度大的问题,提出了一种基于Kmeans-GMM模型的地板块纹理分类方法.在阐述混合高斯模型GMM及参数估计算法原理的基础上,采用灰度共生矩阵提取地板块纹理特征,结合Kmeans算法,通过训练得到各类纹理所对应的混合高斯模型GMM的参数,实现对地板块纹理分类.实验结果表明该方法辨识准确率高、识别速度快,优于传统的神经网络分类法以及SVM算法,为地板块纹理分类的研究提供了一个新的思路.     

一种改进的高斯混合模型算法

建立声学模型是说话人识别技术的重要环节，一种好的建模方法对说话人识别系统的识别率具有极其重大的影响。本文介绍了一种改进的高斯混合模型算法——将聚类算法与传统高斯混合模型结合起来的建模方法，并对此种建模方法得出的识别效果与传统的高斯混合模型进行了比较。从对比结果可以看出，基于聚类的高斯混合模型的说话人识别相对于传统的高斯混合模型在识别率上有所提高。     

电容层析成像流型可视化系统研究

介绍了电容层析成像系统的工作原理,研制了一套高速数据采样基于交流法电容层析成像技术的两相流流型可视化系统,为解决电容层析成像技术在工业实用化过程中存在的一些问题,例如：系统的小型化设计,数据采集和传输的速度有等于提高,以及如何实现数据的远传等,提出模块化的系统结构,实现了电容层析成像系统的一体化设计,在有限元仿真的基础上,采用加权反投影图像重建算法以满足实时成像的速度要求,该电容层析成像流型可视化系统的成像速度在20幅／s以上,在数据通讯距离为50m的情况下,这套电容层析成像系统如实再现了试验回路中的各种流型和过渡流态。试验结果表明模块化设计是成功的。     

改进归一化方法对ECT重建图像质量的影响

为了提高电容层析成像（ECT）系统重建图像的质量,提出一种改进的电容测量值归一化方法.在典型流型分布下,对使用不同归一化方法情况下的正则化迭代算法和Landweber迭代算法的重建结果进行比较,分析了不同归一化方法对这两种常用迭代算法重建图像质量的影响.实验结果表明：对于三种典型流型的多数相含率分布情况,采用改进的归一化方法能够减小系统线性近似求解的偏差,提高两种迭代重建算法的重建图像质量.     

三项共轭梯度的电容层析成像图像重建算法

针对电容层析成像技术中的＂软场＂效应和病态问题,提出了一种三项共轭梯度的新电容层析成像算法.在分析电容层析成像基本原理的基础上,给出了三项共轭梯度法的迭代公式和计算步骤,并探讨了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,同LBP和普通共轭梯度算法相比,该算法兼备成像质量高、边界均匀稳定等优点.     

基于自适应权重粒子群的电容层析成像边界灰度补偿算法

电容层析成像图像重建是一个典型的病态问题,它的解是不稳定的.为了对这个不适定问题进行求解,在分析电容层析成像基本原理的基础上,提出了一种自适应权重粒子群的电容层析成像边界灰度补偿算法.该算法通过引入粒子群的平均绝对速度与理想速度,自适应调整粒子群优化算法中的参数,对成像后图像边界周围的灰度进行补偿.数值实验结果表明,同线性反投影和共轭梯度算法相比,进行边界灰度补偿后的图像兼备成像质量高、边界均匀稳定等优点,为ECT图像重建算法的研究提供了一个新思路.     

电容层析成像在双套管气力输送中的应用

以某公司双套管密相输送系统为试验平台,用电容层析成像技术对粉煤灰为输送物料进行了相关物理参数的测量研究。研制了适用于高压力下的8加4电极的电容层析成像传感器并进行了试验台的搭建安装。采用电容层析成像技术（ECT）,对常温下气力输送的固体浓度、速度和质量流量进行了测试研究。研究结果证明电容层析成像技术在工业中的现实可行性。     

改进K-means算法在声纹识别中的应用

在基于高斯混合模型（GMM）的声纹识别算法中,K-means聚类算法是GMM模型参数初始化常用的方法之一。传统K-means算法在聚类过程中采用几何距离进行分类,忽略了类中各矢量的分布不同对聚类结果的影响,常常得不到令人满意的识别结果。文中对传统K-means算法进行了改进,并将改进后的K-means算法与GMM结合应用到声纹识别系统中。实验结果表明,改进的K-means算法与传统的算法相比具有更好的识别效果。     

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．     

基于改进的混合高斯模型背景减除算法

背景减除法常采用混合高斯模型作为背景模型来进行目标检测,它可以自适应学习并表示分布复杂的背景.混合高斯模型在光线变化缓慢的情况下表现很好,但是在光线快速变化的情况下,由于高斯背景无快速更新机制,无法应对光线迅速变化的情况.通过对混合高斯模型进行优化,提出了一种改进的混合高斯模型检测算法,并通过实验证明了新算法明显提高了运动目标检测的准确度.     

相关向量机及在说话人识别应用中的研究

对基于相关向量机和高斯混合模型的说话人识别算法的模型和特征空间进行了一系列的研究。与一些基于语音帧的说话人识别算法相比,该算法将GMM算法作为底层的语音特征提取,从而实现对语音整体上的处理,对常用的两种语音特征美尔频率倒频系数和瞬时频率的表现进行了对比研究;同时,该算法充分利用了相关向量机的所提供的高泛化性、核函数功能和结果的高稀疏性。基于Chains和AHUMADA两个专门用于说话人识别的语音库的仿真表明,该算法在减少相对误差和减少计算量方面有较大的优势。