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.     

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。     

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．     

基于支持向量机的电容层析成像图像重建算法

针对BP重建算法处理由电容层析成像系统所采集的投影数据耗时较多、收敛慢的问题,提出一种基于支持向量机的电容层析成像系统图像重建算法,提高了重建算法的成像速度,从而改善成像系统的整体性能.仿真结果表明,该方法的成像精确度及成像实时性较好.     

基于Broyden族校正的电容层析成像图像重建算法

为解决电容层析成像(ECT)图像重建中的"软场"效应和典型的病态问题,提出了一种采用Broyden族校正算法对电容层析成像系统进行图像重建的方法。基于对ECT系统基本原理的研究,推导出实现电容层析成像图像重建的Broyden族校正的数学模型,并采用归纳法分析了算法收敛性。对该算法应用于ECT上的可行性进行了探讨,该算法符合收敛条件且成像精度高。实验结果的数值表明Broyden族校正算法的重建图像效果非常理想,且成像质量优于SD、LBP、Landweber及CG算法,给ECT图像重建领域提供了一种有效的新方法。     

电容层析成像系统图像重建稳定性研究

电容层析成像图像重建是一个不适定的反问题求解过程,敏感于测量投影的微小变化,难以重建稳定的管截面图像,通过奇异值分解分析了成像系统产生不适定性的原因,采用阻尼最小二乘法改善了图像重建所对应的病态方程组的求解条件,有效克服了图像重建过程中的不适定性,获得了稳定的管截面图像。     

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.     

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.     

电容层析成像技术及发展现状

电容层析成像技术是80年代中后期形成和发展起来的一种基于电容传感机理的过程成像技术,叙述了电容层析成像技术的工作原理,针对传感器系统设计、微小电容测量、图像重建算法等关键技术进行分析,并阐述其发展现状。     

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.     

基于迭代Tikhonov正则化的电容层析成像图像重建

电容层析成像图像重建是一个典型的病态问题,其图像重建是一个非线性的求解过程,Tikhonov正则化方法是处理病态问题的有效方法之一,由于标准Tikhonov泛函的过度光滑,导致重建图像的细节信息丢失,重建的图像质量并非理想．以标准的Tikhonov算法为基础,给出了一种新的迭代算子,利用该算子可以使重建的图像细节进行一定的修正,通过仿真证明其在速度和图像重建准确度上得到了提高．     

一种多小波电容层析成像图像融合方法

针对电容层析成像系统的"软场"效应和病态问题对重建图像精度的影响,在分析电容层析成像基本原理和成像算法的基础上,基于滤波LBP和神经网络RBF特性,提出了一种基于多小波变换的ECT图像融合方法.该方法首先对待融合图像进行多小波分解,再分别采用最大值法和区域梯度法融合规则对分解后图像低频部分和高频部分进行图像的融合,最后经过多小波重构得到最终融合图像.仿真实验结果表明,融合后成像精确度得到明显提高,减少了误差,图像更接近原型,为ECT图像重建的研究提供了一个新的方法.     

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.     

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,提出了一种基于高斯混合模型的电容层析成像流型辩识算法.在阐述高斯混合模型和EM算法的基础上,结合Kmeans算法,通过训练得到各类流型所对应的高斯混合模型参数,构造分类器实现对五种流型的快速与精准的识别.实验结果表明,该算法与BP神经网络、SVM、决策树识别算法相比,辨识准确率高、识别速度快,为电容层析成像流型辨识算法的研究提供了一个新思路.     

基于混合模型电容层析成像系统敏感矩阵建立

电容层析成像系统的敏感场是一个非线性场,敏感场的分布数据作为图像重建所需的先验数据必须通过理论计算得到,对于同一套电容测量值,不同的归一化模型对重建图像的质量影响有明显的差异,为了提高重构图像质量,对归一化模型进行研究是十分有必要的.采取有限元法建立了传感器敏感场的数学模型,给出了8电极敏感场的分布,提出了一种新的基于正灵敏度归一化混合模型来提高图像的质量,并将此模型与传统的并联模型和串联模型进行了归一化电容值的比较,采用了Landweber迭代算法进行图像重建,给出了基于三种模型评价图像质量的迭代比较.仿真结果表明:验证了建立的有限元模型的正确性,采用基于正灵敏度归一化混合模型,可以获得比较均匀的灵敏场分布且符合实际,重建图像具有较高的精确度.     

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.     

电容层析成像中的电极集成化设计

设计了一种电容层析成像电路,它直接安装在电极上,可以减小杂散电容的影响．通过增加工作频率,可提高灵敏度,电极与基于CMOS的充放电电路及数字控制电路整合在一起,为数字化通讯提供了快速、安全、有效的数据传输,并通过移位寄存器与主机进行数据交流。