注入及感应电流磁共振电阻抗成像对比

为了对比注入电流磁共振电阻抗成像(MREIT)及感应电流磁共振电阻抗成像(IC-MREIT)用于重构人体头部组织电导率分布的性能,分别在3层球头模型及包含5种组织的真实头模型上进行仿真.正问题仿真结果表明：在满足人体安全性要求的前提下,2种成像方法在头部组织内产生的电流密度的强度处于同一数量级,但IC-MREIT产生的电流密度略大且分布受颅骨影响较小.基于J-substitution算法的逆问题仿真结果表明：对于3层球头模型,IC-MREIT能够在较少的迭代次数内,以更高的精度重构出电导率分布;对于真实头模型,MREIT具有更好的收敛特性和成像精度.     

基于模糊神经网络的磁共振电阻抗成像算法

针对人体头部组织电导率成像问题,提出了一种新的磁共振电阻抗成像技术（MREIT）算法.该算法仅利用单方向磁感应强度信息,利用基于自适应网络的模糊推理系统(ANFIS)对测量与计算得到的磁感应强度分布间不匹配程度的目标函数进行优化,通过函数寻优得到重建的目标电导率.在球状及真实头模型上的仿真实验证明,该算法可以准确地对颅骨 大脑的电导率比值进行重建,其估计误差分别小于1.10%与0.25%;对电极位置发生偏移情况进行仿真实验,其在真实头模型上的估计误差小于0.35%.通过与同类算法的结果比较发现,对于具有多层组织、电导率各向同性且分层连续体模型的阻抗重建,ANFIS-MREIT算法具有较大的优越性.     

各向异性头部组织感应电流磁共振电阻抗成像

为了对人体头部组织各向异性电导率分布进行成像,借助扩散张量核磁共振成像(DT-MRI)技术,提出一种新的感应电流磁共振电阻抗成像(IC-MREIT)算法.采用IC-MREIT J-substitution算法,重构头皮、颅骨、脑脊液、灰质组织的各向同性电导率及白质组织的等效各向同性电导率分布,以该等效各向同性电导率分布作为初始信息,迭代重构脑白质各向异性电导率分布.基于磁共振成像(MRI)数据,构建包含5种组织的真实头模型,在该模型上对重构算法的可行性进行验证.在无噪声及15％的噪声水平下,重构电导率的相对误差分别小于15％和24％.仿真结果表明,该算法具有较高的抗噪声能力和成像精度.     

磁共振电阻抗成像与乳腺癌早期检测

乳腺癌的早期检测与诊断是目前国际研究的难点与热点.癌组织与正常组织与良性肿瘤组织之间的电特性的差异为乳腺癌的早期检测提供了有效的辅助诊断信息.本文在此前提下介绍了一种高分辨率的医学电阻抗成像技术-磁共振电阻抗成像技术的成像原理与成像算法,然后介绍了MREIT技术在早期乳腺癌检测方向的应用,最后分析了该研究方向的发展前景以及目前存在的问题.     

电阻抗成像的稀疏重建算法

针对电阻抗成像空间分辨率低和对测量噪声敏感的问题,将传统Tikhonov正则化问题中目标函数的L2范数正则项修正为L1范数,将动态电阻抗图像中非均匀的电导率具有稀疏性作为先验信息添加到L1范数正则项中,由此提出一种电阻抗成像的稀疏重建算法。建立基于总变差法、正交匹配追踪法以及L1范数最小二乘法的电阻抗成像模型,并借助实验可知,新算法成像质量好,对测量噪声不敏感,且成像速度较快。     

基于Yolov5的快速双目立体视觉测距研究

针对传统双目测距方法存在的需要对摄像头进行标定、立体匹配算法时间复杂度高等问题,本文主要对快速双目立体视觉测距进行研究.给出了双目测距原理,提出了一种基于Yolov5的目标检测算法和径向基函数神经网络相结合的双目测距方法,建立了基于径向基函数神经网络的距离预测模型,并采用神经网络中的径向基函数神经网络进行距离预测.实验...     

磁共振电阻抗成像问题的一个迭代解法

针对磁共振电阻抗成像（MREIT）的一个数学模型,提出了一个迭代算法．算法的基本思想是使用逐次线性化．通过将问题化为非线性算子方程,推导出算子的形式导数,给出了线性化问题解的等价表达．     

一种基于遗传算法径向基神经网络的混合无线定位算法研究

文章提出了一种基于径向基神经网络的混合无线定位算法。采用径向基函数(Radial basis function neural net-works-RBF)神经网络建立移动台位置估计模型,并用递阶遗传算法(HGA)同时训练RBF的网络结构和参数。对进行位置估计的三种参数TOA/TDOA/AOA进行数据融合,以有效地提高定位精度。与传统BP神经网络定位算法进行比较,仿真结果表明,该算法的定位结果能够很好地满足FCC的定位要求。     

利用径向基函数改进算法实现函数逼近

分析了径向基函数神经网络(RBFNN)的原理,总结出径向基函数网络的一种实用插值算法.按照此方法对实际的例子进行了计算,结果表明,本算法快捷、可靠.     

Tent混沌和变邻域局部搜索优化的GSA

针对引力搜索算法存在的易陷入局部最优、精度有待提高等问题,提出一种Tent混沌和变邻域局部搜索优化的引力搜索算法。首先改进Tent混沌,利用其遍历均匀性、随机性初始化种群,增强算法的全局搜索能力;然后改进粒子速度和引力系数公式,加快算法的收敛速度;最后设计一种基于莱维飞行的变邻域局部搜索策略,引导种群脱离局部最优,提高寻优精度。仿真结果显示,新算法能有效地抑制局部最优,相较其他测试算法有更好的寻优精度和稳定性。利用新算法优化径向基函数神经网络,对非线性系统的辨识结果证明,改进后的径向基函数神经网络比标准径向基函数神经网络和反向传播神经网络具备更好的模型逼近能力和泛化水平。