| 【中文题名】 | RBF神经网络在ECT图像重建中的应用研究 |
| 【英文题名】 | The Study on the Application of RBF Neural Network in ECT Image Reconstruction |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2003-7-14 |
| 【中关键词】 | 两相流可视化监测,电容层析成像,RBF神经网络,遗传算法,逆问题,正则化 |
| 【英关键词】 | two-phase flow parameters,electrical capacitance tomography,RBFNN,genetic algorithm,inverse problem,regularization,image reconstruction algorithm, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
两相流参数检测是工业过程参数检测的一个难点。过程层析成像(PT)技术能实时提供封闭管道、容器等过程设备内物场运动状态的二／三维可视化信息，为解决两相流参数检测问题提供了一种新的途径。电容层析成像(ECT)技术是一种基于电容敏感机理的PT技术，具有非辐射、非侵入、响应速度快、结构简单、成本低等优点，是一种非常有发展潜力的PT技术。
图像重建算法是ECT系统的关键技术，是一个非线性的、不适定的逆问题，是通过有限个观测数据(电容测量值)将成像区域内介质的介电常数分布图重建出来。
RBF神经网络是一个通用的逼近器，只要有足够多的隐层神经元，它就可以逼近任意多元非线性连续函数；并且，RBF网络是从擅长解决逆问题的正则化理论推导出来的。因此，本文在前人的基础上，探讨了基于RBF神经网络的ECT图像重建方法。
遗传算法是一类借鉴生物界优胜劣汰的自然选择和自然遗传机制的全局优化算法。与传统搜索方法相比，遗传算法对所求解的优化问题没有太多的数学要求，适用范围因而也更广。本文采用两级遗传算法作为RBF网络学习算法的主体，即用第一级遗传算法来演化确定RBF网络的隐层个数，第二级遗传... |
| 【论文题纲】 |
|
第一章 绪论 |
10-13 |
|
1.1 本文研究的背景 |
10-11 |
|
1.1.1 过程成像技术和两相流参数测量 |
10 |
|
1.1.2 ECT系统及研究图像重建算法的意义 |
10-11 |
|
1.2 本文研究的意义 |
11 |
|
1.3 主要工作和论文的组织结构 |
11-13 |
|
1.3.1 主要工作 |
11-12 |
|
1.3.2 论文的组织结构 |
12-13 |
|
第二章 ECT系统及图像重建算法 |
13-20 |
|
2.1 ECT系统基本原理 |
13-15 |
|
2.1.1 ECT技术的数学基础 |
13-14 |
|
2.1.2 ECT系统基本原理 |
14-15 |
|
2.2 ECT系统的正问题和逆问题 |
15-16 |
|
2.3 ECT系统常用图像重建算法 |
16-18 |
|
2.3.1 线性反投影法LBP |
16-17 |
|
2.3.2 迭代算法 |
17-18 |
|
2.3.3 人工神经网络法 |
18 |
|
2.4 RBF神经网络应用于的图像重建可行性 |
18-20 |
|
第三章 RBF神经网络和遗传算法的概念及原理 |
20-34 |
|
3.1 神经网络基本概念 |
20-22 |
|
3.1.1 神经元模型 |
20-21 |
|
3.1.2 常用的网络结构 |
21 |
|
3.1.3 网络的学习方式及规则 |
21-22 |
|
3.2 RBF神经网络基本原理 |
22-26 |
|
3.2.1 RBF神经网络理论基础 |
22-24 |
|
3.2.2 网络结构及工作方式 |
24-26 |
|
3.3 RBF神经网络的学习概述 |
26 |
|
3.4 遗传算法基础 |
26-34 |
|
3.4.1 遗传算法基本概念 |
26-27 |
|
3.4.2 遗传算法的原理 |
27-28 |
|
3.4.3 遗传算法的应用关键 |
28-31 |
|
3.4.4 遗传算法的特点及理论基础 |
31-32 |
|
3.4.5 遗传算法的应用现状及在神经网络的中的应用 |
32-34 |
|
第四章 RBF神经网络设计 |
34-49 |
|
4.1 应用于ECT图像重建的RBF神经网络的特点 |
34 |
|
4.2 RBF神经网络的各学习参数分析及解决策略 |
34-35 |
|
4.3 改进的最小邻聚类方法 |
35-37 |
|
4.4 从隐层到输出层的各连接权值ω有监督的学习方法 |
37 |
|
4.5 RBF的神经网络的学习算法框架 |
37-39 |
|
4.6 网络的学习算法 |
39-40 |
|
4.7 遗传算法的参数设置和分析 |
40-45 |
|
4.7.1 编码方案 |
41-42 |
|
4.7.2 适应值计算 |
42-43 |
|
4.7.3 遗传算子 |
43-45 |
|
4.8 演化实例分析 |
45-49 |
|
4.8.1 遗传算法的控制参数的选取 |
45 |
|
4.8.2 实验原始数据及说明 |
45-46 |
|
4.8.3 实验结果数据及分析 |
46-49 |
|
第五章 基于RBF神经网络的图像重建及仿真实验 |
49-57 |
|
5.1 基于RBF神经网络的ECT图像重建 |
49 |
|
5.2 样本的选取 |
49 |
|
5.3 基于RBF网络的ECT图像重建的仿真实验及其推广能力分析 |
49-55 |
|
5.3.1 实验的条件及评价标准 |
50-51 |
|
5.3.2 RBF法的图像重建及推广能力分析 |
51-55 |
|
5.4 RBF方法同LBP方法实验结果比较 |
55-57 |
|
第六章 ECT系统的软件设计 |
57-66 |
|
6.1 ECT系统的数据采集系统 |
57-60 |
|
6.1.1 数据采集算法 |
57 |
|
6.1.2 数据采集的实现 |
57-60 |
|
6.2 成像软件设计 |
60-63 |
|
6.2.1 在线成像软件设计 |
60-61 |
|
6.2.2 离线成像软件设计 |
61-63 |
|
6.3 RBF网络学习算法的实现 |
63-66 |
|
第七章 总结与展望 |
66-67 |
|
参考文献 |
67-70 |
|
致谢 |
70-71 |
|
攻读学位期间发表录用的学术论文目录及参与的科研项目 |
71-72 |
|
附录1 |
72 |
|
| 【DOI】 | LunWen.ID:2.2008.386861 |
