论文部分内容阅读
电容层析成像技术(Electrical Capacitance Tomography,ECT)是20世纪80年代后期便开始发展的一项过程层析成像技术,具有快速安全、非侵入式、价格低廉等优点。在ECT技术中,灵敏度软场是导致图像重建质量不高的一个关键问题,且图像重建的速度也无法满足一些领域上的应用,因此图像重建的质量与速度是ECT技术研究中的关键问题。深度信念网络(Deep Belief Network,DBN)是深度学习领域中被经常使用的一种网络,广泛的应用于非线性系统中,含有多隐藏层,能够逐层的进行特征提取,对于复杂函数具有强大的学习能力。因此将DBN应用在ECT图像重建中,能够避开对灵敏度矩阵的求解,来提高图像重建的质量与速度。本文对ECT系统的基本原理和总体结构进行了具体的分析,介绍了应用在ECT中的常见算法,并对成像质量进行了比较。为提高图像重建质量,针对ECT中的电容数据复杂多样且与介电常数呈非线性关系的特点,提出BP-DBN算法,通过DBN的深层非线性网络结构来实现电容值与被检测场域介电常数的非线性关系,采用BP算法进行反向微调。并对BP-DBN进行了改进,将自适应步长(Adaptive Step,AS)引入到对比散度(Contrastive Divergence,CD)算法中,解决固定步长寻找全局最优困难的问题,改善图像质量;在微调阶段采用拟牛顿法加快收敛速度,减少训练时间。由于上述中的DBN采用BP网络进行反向微调,容易陷入局部最小值,导致成像质量不佳,时间也过长,因此再提出ELM-DBN。极限学习机(Extreme Learning Machine,ELM)对于输入层和隐藏层之间的连接权值随机产生,并且确定下来便不在变化;隐藏层和输入层之间的连接权值不再通过迭代计算方式,而是通过解方程组来调整权值,大大的减少训练时间,提高预测精度。同BP-DBN相比较,ELM-DBN可调参数少,模型预测效果好,尤其在样本训练速度方面有了明显改善。