RBF神经网络在ECT图像重建中的应用

对采用RBF神经网络的8电极ECT系统的图像重建的方法进行了探讨。该神经网络采用遗传算法结合传统的最近邻聚类方法进行学习。仿真实验结果表明,该方法的成像精度及成像实时性较好。

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RBF神经网络的ECT图像重建

线性反投影算法是最常用的ECT图像重建算法,该算法将极板电容测量值与成像区域介电常数间的非线性关系作线性化近似.由于神经网络的非线性映射能力可用来避免这种线性化近似,为此探讨了基于RBF神经网络的16极板ECT系统的图像重建方法.采用最大矩阵法确定RBF神经网络隐层神经元数目,用最小邻聚类方法确定径向基函数的宽度和中心,建立了极板电容测量值与成像区域介电常数间的RBF神经网络映射.仿真实验结果表明,基于RBF神经网络的ECT图像重建方法重建速度与线性反投影法相当,重建质量优于线性反投影法.

油气润滑ECT系统的RBF图像重建算法研究

采用COMSOL软件建立了油气润滑环状流管道与ECT系统的三维物理及有限元模型,结合电磁场理论获取了传感器的电容值;建立了电容值与成像灰度值一一对应的的RBF映射模型;提出了RBF算法并应用于油气润滑两相流动的图像重建过程;以图像相对误差(IME)和图像相关系数(CORR)为评价指标对该算法的进行实验验证。研究结果表明,RBF算法在ECT系统图像成像的准确性及相关性方面可以很好的适用于油气润滑;相较于其他图像重建算法,图像精度提高了40.52%,图像分辨率提高了22.13%。

基于RBF神经网络的电阻层析成像算法的研究

本文提出了一种基于 RBF神经网络的 ERT图像重建算法 ,并用作者开发的 ERT仿真软件得到的数据进行图像重建 ,与其它传统的成像算法作了对比。研究表明 ,RBF神经网络适合解决 ERT图像重建的非线性问题 ,该算法具有速度快。

基于遗传算法的模糊RBF神经网络对遥感图像分类

针对遥感图像分类的问题,提出一种通过遗传算法优化RBF(Radial basis function)模糊神经网络的方法对遥感图像进行分类.将模糊理论运用于RBF神经网络,克服其陷入局部极值点问题;再利用遗传算法确定最优的RBF模糊神经网络的权值和阈值,并对网络进行训练,来提高分类精度.为了测试其性能,在实验中将本文分类方法与RBF神经网络分类和SVM(Support Vector Machine)决策树分类方法进行对比,由实验结果可以证明:所提出的分类方法对遥感图像的分类精度达到96.56%,比起RBF神经网络、SVM决策树分类方法,分类精度有所提高.

基于RBF神经网络和遗传算法的ERT传感器优化

为优化ERT传感器性能,提出一种RBF神经网络与遗传算法相结合的传感器参数优化方法.采用RBF神经网络实现传感器参数与其性能指标间的非线性映射;采用敏感场均匀性和灵敏度矩阵条件数构成传感器综合评价指标F,并以最小化F为目标函数,利用RBF神经网络计算个体的适应度函数,利用遗传算法实现了电板长度和宽度的自动寻优.结果表明,优化后的传感器在综合评价指标、重建图像的视觉效果以及重建图像误差上均有明显改善,所提方法具有较大实用价值.

基于RBF网络和遗传算法的电阻抗图像重建算法

针对RBF网络的特性,提出一种实数编码的遗传算法,不仅可以同时确定网络参数(连接权、隐节点中心和宽度),而且解决了电阻抗图像重建问题.实验结果表明,用遗传算法训练RBF神经网络再构图像较RBF网络使用Poggio学习规则的训练算法有明显改善.

基于RBF网络图像表示的CT重建算法研究

本文提出一种基于径向基函数(Radial Basis Function—RBF)神经网络图像表示实现对计算机断层成像装置不完备投影数据的重建方法,并分析了方法的计算效率、重建质量和适用范围.该方法采用RBF神经网络表示断层图像,降低了问题的计算规模,并通过ART(Algebraic Reconstruction Technique)迭代算法重建出断层图像.在模拟实验中,我们将本方法与FBP、ART的重建图像算法进行了比较.实验结果表明所提出的方法其重建质量和计算效率都有明显地改进.

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.

基于遗传RBF网络的混沌背景微弱信号检测方法

弱信号检测问题是目标检测中的一个重要研究内容。利用背景信号为混沌信号这一先验知识,采用径向基函数神经网络(RBFNN)建立混沌背景的一步预测模型,RBF网络利用遗传算法训练,最后,设计了门限滤波器,得到感兴趣的信号。仿真结果表明,在非线性程度很高的情况下,通过与其它几种训练RBF网络算法的比较,利用遗传算法训练的RBF网络具有最高的检测精度,并且训练得到的网络的复杂程度最低。

基于GA优选参数的RBF神经网络水质评价

为进一步提高多光谱图像水质反演的评价精度,提出一种基于遗传算法(GA)优选参数的径向基函数(RBF)神经网络水质评价方法。利用高分辨率多光谱遥感SPOT-5数据和水质实地监测数据,得到符合条件且具有代表性的4类水质变量,对RBF神经网络进行训练和测试,用遗传算法对RBF神经网络的参数进行优化。在训练好的RBF神经网络模型基础之上对COD、NH3-N、DO、CODmn水质参数进行反演。实验结果表明,该水质反演模型较常规的方法有更高的反演精度。

Chebyshev神经网络在ECT图像重建中的研究与应用

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Chebyshev神经网络对电容层析成像系统进行图像重建的方法。该神经网络不仅扩大了网络辨识模型的能力与学习适应性,而且算法简单,学习收敛速度快,有线性、非线性逼近精度高等优异特性。通过对封闭管道的气固两相流进行数据检测,并采用改进后的神经网络算法进行图像重建,实验结果证明该方法能明显改善成像质量,进而证明了该方法的有效性。

基于微种群遗传算法和RBF神经网络的散乱数据重建方法

利用微种群遗传算法,结合性能优越的径向基函数神经网络,建立了适用于散乱数据曲面重建的径向基函数网络模型。采用微种群遗传算法完成对神经网络的权值优化,可避免早熟收敛,且有较快的收敛速度。实验结果表明,用这种方法解决散乱数据点的重建问题,具有较高的精度。

电容层析成像图像重建的新算法

对采用RBF神经网络的8电极电容层析成像系统的图像重建的方法进行了探讨。该神经网络采用遗传算法结合传统的最近邻聚类方法进行学习。仿真实验结果表明，该方法的成像精度及成像实时性较好。

基于组合优化神经网络的航空发动机叶片损伤图像分割

采用PNN网络和RBF网络相融合的方法对航空发动机叶片损伤图像进行分割,选取损伤图像80个像素点的RGB值和HSV值分别作为PNN网络和RBF网络的输入样本;针对PNN网络和RBF网络的不足,采用GA算法优化PNN网络和RBF网络的输入参数;考虑到叶片损伤图像采集过程中不确定因素对分割结果的影响,采用D-S证据理论将两种网络分割结果进行融合,进而得到最终的叶片损伤图像分割结果;在30组测试样本中正确识别组数为29,识别率高达96.67%,实践表明,该方法有效地克服了凭借单一识别网络和单一信息源进行叶片损伤图像分割的不足,实现了对叶片损伤图像的高效分割。

基于径向基函数神经网络的超分辨率图像重建

为了突破成像极限,经济可行地获取高质量的卫星图像,提出了一种基于径向基神经网络的超分辨率图像重建算法。以径向基神经网络为基础,依据卫星图像退化模型获取网络训练所需的学习样本图像,采用向量映射的方式加速网络收敛。其中,径向基函数的中心、宽度及网络的隐含层数、连接权值是决定径向基神经网络的关键参数,直接关系到网络的重建性能。采用最近邻聚类算法,动态地建立起基函数的中心及宽度,自适应地确定网络的隐含层数及连接权值。建立起的径向基函数神经网络显著地提高了图像重建性能和网络收敛速度(221s即可收敛)。仿真实验和泛化实验表明,训练好的径向基神经网络可以有效地进行卫星图像的超分辨率重建,效率高,误差小。

一种基于图像识别的燃气表远程直读系统研究

为了解决无线抄表系统中燃气表机械字轮读数与电子计数存在累计误差的问题,提出一种在传统燃气表上加装图像识别抄表模块,利用遗传算法(genetic algorithms,GA)优化的径向基函数神经网络(radical basis function,RBF)进行字轮读数图像识别的实现方法。在图像识别抄表模块中,采用分块迭代算法对图像进行二值化处理,并在远程发送前对图像数据进行压缩,以减少数据传输量;使用最近邻聚类与K均值聚类相结合的算法确定隐层中心位置,为了消除中心宽度对中心值的依赖,采用GA对中心宽度进行优化,引入二次验证机制,进一步减少识别误差;通过通用分组无线业务(general packet radio service,GPRS)方式将识别结果及相应图像发送到管理中心,由管理中心对燃气表读数进一步核对。仿真结果表明,抄表终端功耗较低,抄表正确率超过97%。

电阻抗断层成像的神经网络模型

由于传统的电阻抗断层成像算法成像速度慢、且在某些情况下得到的图像无法反映敏感场的真实阻抗分布,本文提出了两种基于不同神经网络(BP神经网络和RBF神经网络)的电阻抗图像重建模型及其成像算法。结果表明,基于神经网络模型的成像算法从成像质量和速度上均优于传统的成像算法。