基于RBF网络的ECT图像重建算法

介绍了一种基于RBF网络的电容层析成像图像重建算法,包括径向基函数的选取、RBF网络权值的训练方法.仿真实验显示该算法可用于两相流流型辨识.     

基于遗传算法的RBF神经网络设计

采用了遗传算法自动构造ＲＢＦ网络,把网络结构的形式作为一个子集选择问题来解决,并提出了新的遗传操作算子来改进遗传算法,加快了收敛速度,提出了算法的实用性,文中介绍了遗传算法的结构与优化原理,并给出了ＲＢＦ网络结构的生成方法,用仿真结果证明了本算法的可行性。     

阻抗CT图像重建算法的研究

经过严密的理论推导,提出了一种阻抗CT图像重建的新方法,它利用一系列等位线将场域分割成若干相互独立的区域,通过对这些区域单独进行分析,使得Jacobi矩阵稀疏化,既大大减小了内存量,又减小了计算量。在用等参四边形有限元法作正向问题计算的基础上对方法进行了实现和初步的计算机仿真计算,并同其它方法进行了比较。在求解线性超定方程时,应用了松弛型Hildreth区间规划算法,有效地克服了稀疏后的Jacobi矩阵非零元分布的不规则性和方程的不相容性。     

基于对应点匹配插值算法的电阻抗三维图像重建

为了对电阻抗成像二维重构图像结果进行三维重建,笔者使用对应点匹配插值算法对二维电阻抗图像进行插值,形成三维重建模型。根据电阻抗成像重构数据的特点,改进了插值算法的梯度和梯度方向角计算公式,从而较好地重现层间数据,最后由原始数据和插值数据形成三维体数据。实验的模型是浸泡在圆柱体水槽中电导率为2.1S/m的圆柱体异物。将笔者所提算法与线性算法以及形状插值算法进行了对比。结果表明:笔者算法能够在确保计算精度的同时,兼顾计算效率,满足电阻抗成像的实时监护要求。     

基于粒子群优化算法的电阻抗图像重建

电阻抗成像的实际应用具有许多优越性,但电阻抗图像重建是一个严重病态的非线性逆问题。目前电阻抗成像的静态算法大多采用Newton-Raphson类算法,这类算法需要计算Jacobian矩阵、使用正则化技术等,算法复杂且稳定性较差。针对该问题,采用了一种新的求解逆问题的方法:粒子群优化算法(PSO)。PSO是一种基于种群搜索策略的自适应随机算法,具有算法简单、调节参数少、收敛速度快、易于实现等特点。给出了电阻抗成像的建模模型,并对粒子群优化算法做了适当的改进以适应电阻抗问题的求解。与牛顿类算法相比,它可以省去繁复的雅可比矩阵计算过程,而采用自适应搜索来求取最优解。仿真结果表明,应用PSO进行图像重构时,能够对突变区域进行准确的定位,图像分辨率较高。     

基于自适应遗传算法的RBF神经网络优化算法

针对传统遗传算法收敛速度慢的缺点,本文将改进后的遗传算法应用于RBF神经网络,对隐层中心和宽度值进行同步优化,并在复杂非线性函数的逼近实验中证明了本文算法相比传统遗传算法在搜索全局最小点的速度上得到了很大提高.     

BP神经网络重建医学电阻抗图像

医学电阻抗成像是一个复杂的非线性问题,图像重建算法直接影响图像质量.传统的BP神经网络算法存在训练速度慢且易陷于局部极小等特点,将BP神经网络应用于拟合称电阻抗图像的输出特性,其图象质量得到明显的改善.     

基于遗传算法的RBF神经网络中心值优化研究

RBF神经网络中心值的确定是个关键的问题,在很大程度上决定了RBF网络性能的好坏.该文采用遗传算法对RBF神经中心进行优化,并将优化后的RBF神经网络用于非线性函数逼近,实例证明取得了较好的效果.     

一个基于改进遗传算法的RBF网络入侵检测模型

针对异常入侵检测中存在的误报率高的问题,文章提出了一种基于改进遗传算法的RBF网络入侵检测模型。采用数据挖掘方法建立聚簇规则集,用改进的遗传算法优化RBF网络,用已训练好的RBF网络对与聚簇规则集中不匹配的可疑行为进行检测,并能识别出具体的入侵类型。实验表明,文中提出的模型采用改进遗传算法的RBF神经网络,较基于BP神经网络的检测技术有更好的识别精度。     

数值延拓法用于脑血肿电阻抗断层图像重建

电阻抗断层成像技术用于脑血肿实时监测是该技术应用于临床医学有意义的探索。生物活体组织的生理参数因不同的人、器官、组织和病况，有很大的差异。因此在重建算法中放宽对计算参数初始值的要求对该技术走向临床应用有重要的意义。拟牛顿法作为重建算法尽管有很高的精度，但对计算初始值的要求非常苛刻，数值延拓法可以有效地扩大初始值的收敛区间，放宽重建算法拟牛顿法对初始值的限制。文中介绍了数值延拓法在重建算法中的应用，并用仿真计算说明该方法的有效性。     

Image Reconstruction Using a Genetic Algorithm for Electrical Capacitance Tomography

Electrical capacitance tomography （ECT） has been used for more than a decade for imaging dielectric processes. However, because of its ill-posedness and non-linearity, ECT image reconstruction has always been a challenge. A new genetic algorithm （GA） developed for ECT image reconstruction uses initial results from a linear back-projection, which is widely used for ECT image reconstruction to optimize the threshold and the maximum and minimum gray values for the image. The procedure avoids optimizing the gray values pixel by pixel and significantly reduces the search space dimension. Both simulations and static experimental results show that the method is efficient and capable of reconstructing high quality images. Evaluation criteria show that the GA-based method has smaller image error and greater correlation coefficients. In addition, the GA-based method converges quickly with a small number of iterations.     

一种混合变差肺部电阻抗成像算法研究

采用混合变差算法进行图像重建既能保持重构结果的连续性又可保持图像重建过程中的非连续性.建立基于有限元方法的二维EIT肺部模型,对模型进行离散,定义模型和各离散对象的物理特性,施加边界条件,计算边界电压,进行正问题仿真,确定算法的目标函数,进行图像重建并对混合变差算法的性能进行评估.在合适的权重值条件下采用混合变差算法重建的图像的结构相似度比采用吉洪诺夫算法和总变差算法重建的图像的结构相似度在无噪声时分别提高了约5.1%和9%,在含噪声时分别提高了约2.7%和6.3%.既可用于仿真研究与实验中,也可用于临床实测数据的图像重建.     

三维电阻抗成像的测量模式

电阻抗成像技术（EIT）是一种非侵入的成像技术,通过测量介质的边界参数,从而获得介质的分布状态．为研究EIT的测量模式对其数据测量和图像重建的影响,借助仿真软件COMSOL建立了具有双层电极结构的EIT系统．设计和采用了4种典型的激励模式和2种测量模式,并通过评价指标进行比较．结果显示,在理想条件下,几种模式的组合表现均可．考虑到既易于测量且成像质量高,推荐双层24电极EIT系统使用同层准对向驱动模式．     

基于遗传算法的神经网络结构优化

介绍了遗传算法的基本原理,然后利用遗传算法优化神经网络结构,形成以遗传算法与神经网络相结合的进化神经网络.经验证可知,该算法具有一定的可行性与有效性.     

基于遗传算法的模糊RBF神经网络设计及应用

提出了一种基于遗传算法的模糊RBF神经网络学习算法.采用遗传算法对模糊RBF神经网络需要调整的参数进行优化,再将遗传算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,并结合梯度下降法对网络的各参数进行动态调整.在对非线性函数逼近的仿真中,仿真结果验证了优化后的模糊RBF神经网络具有更高的精度及强鲁棒性.     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

基于遗传算法的神经网络分类器优化设计

依据神经网络分类器的设计原理，设计了一种有效的遗传算法，实验结果表明：算法优化后的神经网络分类器不但学习速度快，还能保证分类精度．