电磁层析成像深度学习图像重建算法研究

发布时间：2020-10-09 20:39

　　 电磁层析成像(Electromagnetic tomography,简称EMT)技术依靠其非接触、用途广泛、高可靠性等优势,在采矿冶金、无损探伤、医学成像等领域均有应用。其广泛的工业需求对其成像质量有了更高的要求。在EMT逆问题的研究中,由于其先验信息有限,且具有病态性与不适定性等问题。进一步提高图像重建精度和速度为该领域的热点研究问题。近年来,人工智能类算法在语音、图像、翻译等多领域的成功应用引导我们探索利用其解决传统EMT问题的可行性,试图用其强大的学习能力和有代表性的样本,自主学习成像特征,达到提高成像质量与速度的目的。本文主要工作内容如下:(1)受机器学习数据预处理中数据降维思想的启发,设计了降维SVD算法。文中通过仿真与实验两种方式,结合三种传统算法的成像对比实验,分析了降维SVD算法的优势和劣势。(2)基于深度学习理论,设计了两种EMT深度学习图像重建算法:SSAE+RBF和Optimized FC。并对网络细节做了详细描述,从理论上阐述了两种网络算法用于解决成像问题的合理性。(3)设计并仿真了两种类型30000个样本,用于网络训练过程中成像特征的学习和网络参数学习;设计了一种损失函数,作为网络训练优化目标,并通过理论推导证明了该损失函数的合理性。(4)本文设计的两种深度学习图像重建算法,通过在2000个测试样本上与传统算法的批量成像对比实验,展示了本文网络算法的成像优势;通过在测试样本集上混入不同噪声等级噪声的成像对比实验,展示了本文网络算法的抗干扰能力;通过与传统算法的成像时间对比实验,验证本文网络图像重建算法的速度优势。文中设计的两种深度学习图像重建算法,在与训练集特征近似的、未学过的样本测试集上取得了大幅度优于传统算法的成像效果。本文初步证实了深度学习理论应用于传统EMT领域,以提高成像精度和成像速度的可行性。在网络成像算法设计、样本设计和损失函数设计等方面,对EMT深度学习成像算法的进一步研究有一定借鉴意义。
【学位单位】：北京交通大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP18
【部分图文】：

原始流型11刃F啥1在洲.mPatternll刃

礴常见电学成像总结构

一过程层析成像整体框架图

【参考文献】

相关期刊论文 前6条

1 阮越;陈汉武;刘志昊;张俊;朱皖宁;;量子主成分分析算法[J];计算机学报;2014年03期

2 刘泽;薛芳其;杨国银;邢哲;孙秀芳;;电磁层析成像灵敏度矩阵实验测试方法[J];仪器仪表学报;2013年09期

3 冯洁婷;颜刚;王涛;詹长安;;Tikhonov正则化参数选择对高速率刺激听觉诱发电位重建的影响[J];航天医学与医学工程;2012年01期

4 马平;周晓宁;田沛;;过程层析成像技术的发展及应用[J];化工自动化及仪表;2009年01期

5 李连宇;刘泽;雷彦;;电磁层析成像正问题和逆问题的仿真分析[J];中国科技信息;2006年20期

6 刘泽,何敏,徐苓安,熊汉亮;多激励模式的电磁层析成像系统[J];仪器仪表学报;2001年06期

相关博士学位论文 前1条

1 王雷;电容层析成像系统的研制及其在两相流参数检测中的应用研究[D];浙江大学;2003年

相关硕士学位论文 前6条

1 代月霞;基于深度学习的EIT图像重建算法研究[D];天津工业大学;2017年

2 李雯;电磁层析成像传感器阵列结构及三维图像重建研究[D];北京交通大学;2016年

3 张耘;电容层析成像系统成像算法研究[D];哈尔滨理工大学;2015年

4 杨富广;电阻层析测量系统数据采集装置的设计[D];中国石油大学;2010年

5 李荣瑾;电学层析成像图像重建研究[D];天津大学;2009年

6 张立丰;电容层析成像并行图像重建算法的研究[D];哈尔滨理工大学;2009年

本文编号：2834168