一种基于神经网络的电阻抗成像方法专利检索-电阻抗成像测量仪器和方法专利检索查询-专利查询网

一种基于神经网络的 电阻抗成像方法

阅读：453发布：2020-05-11

专利汇可以提供一种基于神经网络的电阻抗成像方法专利检索，专利查询，专利分析的服务。并且本发明揭示了一种基于神经网络的电阻抗成像方法，该方法包括以下步骤：S1：对背景区域以三角形为剖分单元，使用有限元剖分；在背景区域内模拟生成不同的仿真目标物体，设置目标物体的阻抗分布数据；S2：根据S1步骤得到的阻抗分布数据，使用有限元法计算边界电压的分布；以电压值和阻抗分布分别作为神经网络的输入和输出，得到神经网络模型的训练数据集；S3：根据S2步骤得到的训练数据集搭建神经网络的输入层、隐藏层、输出层结构。使用仿真数据进行训练，对于实测数据也有很好的适应性，成像效果良好。经过训练的神经网络精度高，抗噪能力强，成像质量高，而且提前训练好的网络运算速度快，具有较好的效果。，下面是一种基于神经网络的电阻抗成像方法专利的具体信息内容。

权利要求

1.一种基于神经网络的电阻抗成像方法，其特征在于：包括以下步骤：
S1：对背景区域以三角形为剖分单元，使用有限元剖分，在背景区域内模拟生成不同的仿真目标物体，设置目标物体的阻抗分布数据；
S2：根据S1步骤得到的阻抗分布数据，使用有限元法计算边界电压的分布；以电压值和阻抗分布分别作为神经网络的输入和输出，得到神经网络模型的训练数据集；
S3：根据S2步骤得到的训练数据集搭建神经网络的输入层、隐藏层、输出层结构对神经网络进行训练，并且不断调试神经网络的各个参数，直到得到最优的训练完成的神经网络；
S4：将所需求解的被测物体的边界电压值作为输入数据输入神经网络，即可得到待测物体的阻抗分布数据，并根据阻抗分布数据获得阻抗成像图。
2.根据权利要求1所述的一种基于神经网络的电阻抗成像方法，其特征在于：在所述S1步骤中，在背景区域内随机取指定个数的目标物体，在背景区域内随机位置取目标物体，每个背景区域随机取1-3个目标物体，目标物体形状为圆形、三角形或正方形，设置目标物体的阻抗值，得到阻抗分布数据。
3.根据权利要求1所述的一种基于神经网络的电阻抗成像方法，其特征在于：在所述S1步骤中，若生成的仿真目标物体为圆形，取每个单元的中心，计算中心到圆心距离d，若d小于或等于r，则这一单元属于该仿真目标物体。
4.根据权利要求1所述的一种基于神经网络的电阻抗成像方法，其特征在于：在所述S1步骤中，若生成的仿真目标物体为三角形，根据顶点A和边长随机旋转一定的度数，得到三角形的第二个顶点B，再根据两个顶点A、B和一条边AB，以A为定点随机顺时针或逆时针旋转
60°，得到第三个点C的坐标，由此生成了一个正三角形；随后判断各个单元的中心是否在这个三角形内部或在三角形上，如是，则该单元属于该仿真目标物体。
5.根据权利要求1所述的一种基于神经网络的电阻抗成像方法，其特征在于：在所述S1步骤中，若生成的仿真目标物体为正方形，根据顶点A和边长随机旋转一定的度数，得到正方形的第二个顶点B，再根据两个顶点A、B和一条边AB，以A为定点随机顺时针或逆时针旋转
90°，得到第三个点的坐标C，再根据点C、A和边CA按相同方向旋转90°得到点D，由此生成了一个正方形，随后判断各个单元的中心是否在这个正方形内部或在正方形上，如是，则该单元属于该仿真目标物体。
6.根据权利要求1所述的一种基于神经网络的电阻抗成像方法，其特征在于：在所述S2步骤中，根据目标物体的阻抗分布数据以及有限元的模型数据获得每个三角单元的系数矩阵，并由此获得总体系数矩阵，施加边界条件，得到有限元方程，求解有限元方程最终获得边界电压值。
7.根据权利要求1所述的一种基于神经网络的电阻抗成像方法，其特征在于：在所述S3步骤中，神经网络的输入层节点、输出层节点个数分别为电压值数据个数和阻抗分布数据个数，训练过程中调试包括隐藏层个数、学习率、激活函数等各个参数，得到目标函数误差最小的网络。
8.根据权利要求1所述的一种基于神经网络的电阻抗成像方法，其特征在于：在所述S4步骤中，输入所需求解的被测物体的边界电压数据，神经网络经过计算得到输出，再根据输出的阻抗分布数据获得阻抗成像图。

说明书全文

一种基于神经网络的电阻抗成像方法

技术领域

[0001] 本发明涉及一种基于神经网络的电阻抗成像方法，可用于电阻抗成像技术领域。

背景技术

[0002] 电阻抗成像(Electrical Impedance Tomography，简称EIT)技术是近二十多年出现的新一代无损伤的成像技术。EIT技术通过布置在被测物体表面的电极，将交流信号电流注入物体内部，与此同时测量其余电极上的电压值，利用得到的电压信息经过一定重建算法求得被测物体内部的电阻抗分布，进而获得阻抗的图像的过程。

[0003] 电阻抗成像技术中，图像重建算法是关键的部分之一。根据图像重建的方式可以分为动态成像和静态成像两种。

[0004] 动态成像方法是对被测物体内电阻抗的变化进行成像：利用两个不同时刻测量得到的数据，以这两时刻电阻抗分布的差值即分布的相对值为目标进行成像。得到的是电阻抗相对值的图像。动态成像算法对数据采集系统的精度要求不高，计算量少，重建的速度快，但是它成像的精度不高，应用也受到一定限制，若是两个时刻电阻抗分布没有发生变化，则无法获得成像图。

[0005] 静态成像算法是通过在边界电极上测量得到的电压数据，根据重建算法得到被测物体内部电阻抗分布的绝对值。静态成像算法的精度高，能够重建出物体内部电阻抗的精确分布，但是它具有严重的病态性，边界电压的极小变化会导致重建的电阻抗值发生极大变化，而且收敛速度慢，对采集系统要求很高。

[0006] 神经网络是近年来人工智能领域兴起的研究热点，它是一种运算模型，由大量的节点(神经元)之间互相连接构成。神经网络能对自然界某种算法或函数进行逼近，理论上来说，神经网络能够逼近任意的非线性函数。EIT成像实质上是一个非线性的逆问题，因此神经网络能够作为解决EIT成像逆问题的一种方法。

[0007] 如何实现成像的高精度与快速收敛是目前EIT技术的主要问题，EIT技术受制于测量设备、成像算法等的精度。成像算法的精度主要受动态成像和静态成像的特点影响，难以在高成像精度的基础上保证算法收敛的速度。

发明内容

[0008] 本发明的目的就是为了解决现有技术中存在的上述问题，提出一种基于神经网络的电阻抗成像方法。

[0009] 本发明的目的将通过以下技术方案得以实现：一种基于神经网络的电阻抗成像方法，包括以下步骤：

[0010] S1：对背景区域以三角形为剖分单元，使用有限元剖分，在背景区域内模拟生成不同的仿真目标物体，设置目标物体的阻抗分布数据；

[0011] S2：根据S1步骤得到的阻抗分布数据，使用有限元法计算边界电压的分布；以电压值和阻抗分布分别作为神经网络的输入和输出，得到神经网络模型的训练数据集；

[0012] S3：根据S2步骤得到的训练数据集搭建神经网络的输入层、隐藏层、输出层结构对神经网络进行训练，并且不断调试神经网络的各个参数，直到得到最优的训练完成的神经网络；

[0013] S4：将所需求解的被测物体的边界电压值作为输入数据输入神经网络，即可得到待测物体的阻抗分布数据，并根据阻抗分布数据获得阻抗成像图。

[0014] 优选地，在所述S1步骤中，在背景区域内随机取指定个数的目标物体，在背景区域内随机位置取目标物体，每个背景区域随机取1-3个目标物体，目标物体形状为圆形、三角形或正方形，设置目标物体的阻抗值，得到阻抗分布数据。

[0015] 优选地，在所述S1步骤中，若生成的仿真目标物体为圆形，取每个单元的中心，计算中心到圆心距离d，若d小于或等于r，则这一单元属于该仿真目标物体。

[0016] 优选地，在所述S1步骤中，若生成的仿真目标物体为三角形，根据顶点A和边长随机旋转一定的度数，得到三角形的第二个顶点B，再根据两个顶点A、B和一条边AB，以A为定点随机顺时针或逆时针旋转60°，得到第三个点C的坐标，由此生成了一个正三角形；随后判断各个单元的中心是否在这个三角形内部或在三角形上，如是，则该单元属于该仿真目标物体。

[0017] 优选地，在所述S1步骤中，若生成的仿真目标物体为正方形，根据顶点A和边长随机旋转一定的度数，得到正方形的第二个顶点B，再根据两个顶点A、B和一条边AB，以A为定点随机顺时针或逆时针旋转90°，得到第三个点的坐标C，再根据点C、A和边CA按相同方向旋转90°得到点D，由此生成了一个正方形，随后判断各个单元的中心是否在这个正方形内部或在正方形上，如是，则该单元属于该仿真目标物体。

[0018] 优选地，在所述S2步骤中，根据目标物体的阻抗分布数据以及有限元的模型数据获得每个三角单元的系数矩阵，并由此获得总体系数矩阵，施加边界条件，得到有限元方程，求解有限元方程最终获得边界电压值。

[0019] 优选地，在所述S3步骤中，神经网络的输入层节点、输出层节点个数分别为电压值数据个数和阻抗分布数据个数，训练过程中调试包括隐藏层个数、学习率、激活函数等各个参数，得到目标函数误差最小的网络。

[0020] 优选地，在所述S4步骤中，输入所需求解的被测物体的边界电压数据，神经网络经过计算得到输出，再根据输出的阻抗分布数据获得阻抗成像图。

[0021] 本发明采用以上技术方案与现有技术相比，具有以下技术效果：该种基于神经网络的电阻抗成像算法，通过随机生成大量的仿真阻抗分布数据，并使用有限元法计算这些阻抗分布数据的边界电压信息，由此组成电阻抗成像的数据集。

[0022] 根据输入输出数据的格式搭建神经网络，并用数据集训练神经网络，调试各个参数，获得训练好的最优神经网络。再将实测的物体的边界电压值数据输入神经网络，就能够得到该物体的电阻抗分布数据，进而获得电阻抗分布图。使用仿真数据进行训练，对于实测数据也有很好的适应性，成像效果良好。经过训练的神经网络精度高，抗噪能力强，成像质量高，而且提前训练好的网络运算速度快，具有较好的效果。附图说明

[0023] 图1为本发明的基于神经网络的电阻抗成像方法的流程图示意；

[0024] 图2为本发明对背景区域的剖分图；

[0025] 图3为本发明生成的一个仿真案例图。

[0026] 图4为本发明生成的仿真案例的取点情况图。

具体实施方式

[0027] 本发明的目的、优点和特点，将通过下面优选实施例的非限制性说明进行图示和解释。这些实施例仅是应用本发明技术方案的典型范例，凡采取等同替换或者等效变换而形成的技术方案，均落在本发明要求保护的范围之内。

[0028] 本发明揭示了一种基于神经网络的电阻抗成像方法，如图1所示，所述方法包括步骤：

[0029] S1：对背景区域以三角形为剖分单元，使用有限元剖分。在背景区域内模拟生成不同的仿真目标物体，设置目标物体的阻抗分布数据；有限元对背景区域的划分如图2所不。

[0030] 具体地，随机选择生成物体的个数i，i取1-3，即在有限元划分的背景区域内随机取i个点，然后依次随机选定要生成的物体的形状，生成物体的形状可为圆形、三角形或正方形。如生成物体的形状为圆形，点为圆心，随机生成它的半径r；若生成物体的形状是三角形或正方形，点为其中的一个顶点，随机生成它的边长r。根据有限元划分的单元编号，选取包含在物体形状内的单元，这些单元就构成了所生成的物体。

[0031] 若生成的物体是圆形，取每个单元的中心，计算中心到圆心距离d，若d小于或等于r，则这一单元属于该物体。

[0032] 若生成的物体是三角形，根据顶点A和边长随机旋转一定的度数，得到三角形的第二个顶点B。再根据两个顶点A、B和一条边AB，以A为定点随机顺时针或逆时针旋转60°，得到第三个点C的坐标，由此生成了一个正三角形；随后判断各个单元的中心是否在这个三角形内部或在三角形上，如果是，则该单元属于该物体。

[0033] 若生成的物体是正方形，方法与三角形类似。根据顶点A和边长随机旋转一定的度数，得到正方形的第二个顶点B；再根据两个顶点A、B和一条边AB，以A为定点随机顺时针或逆时针旋转90°，得到第三个点的坐标C，再根据点C、A和边CA按相同方向旋转90°得到点D，由此生成了一个正方形；随后判断各个单元的中心是否在这个正方形内部或在正方形上，如果是，则该单元属于该物体。图3和图4展示了按照本发明的方法生成的一个仿真案例，具体该案例由圆形、正方形和三角形构成。

[0034] S2：根据阻抗分布数据，使用有限元法计算边界电压的分布。以电压值和阻抗分布分别作为神经网络的输入、输出，得到神经网络模型的训练数据集。具体地，给物体所在单元与背景单元分别赋阻抗值，这样就获得了训练集目标物体的阻抗分布，然后使用有限元法计算求解EIT问题。EIT场域的数学模型是一个偏微分方程。

[0035] 有限元法是先将要求解的问题离散化，进行单元分析，再把各单元分析的结果组合起来对整体进行综合分析，具体做法为：在场域中选取有限个点，用有限差分方程近似替代EIT问题中的偏微分方程，在求得场函数在各离散点上的值。变分原理是有限元法的基础，把要求解的偏微分方程转化为相应的变分问题，再引入插值多项式，将变分问题离散化为普通多元函数求极值的问题，最后整理为多元函数方程组求解的问题。

[0036] 由此求得训练集目标物体的边界电压值，目标物体的边界电压值和阻抗分布组成了训练集的输入输出数据。

[0037] S3：根据训练数据集搭建神经网络的输入层、隐藏层、输出层结构。对神经网络进行训练，并且不断调试神经网络的各个参数，直到得到最优的训练完成的神经网络。

[0038] 具体地，根据训练集的输入输出数据格式设计神经网络的输入输出层，神经网络输入层为208，输出层为832，隐藏层节点个数由“ad hoc”规则定义范围，即隐藏层个数不应大于输入层个数的两倍。在这个范围内综合考虑运行时间和误差大小确定隐藏层的个数。使用训练数据调试各个参数，例如激活函数、epochs、学习速率、反向传播优化算法等。

[0039] 选择sigmoid函数作为隐藏层的激活函数，从随机梯度下降法(SGD)、Momentum、Adagrad、RMSprop等反向传播优化算法中选择RMSprop算法。该算法是一种自适应学习速率算法，效果卓越。最终获得最优的神经网络。

[0040] S4：将所需求解的被测物体的边界电压值作为输入数据输入神经网络，即可得到待测物体的阻抗分布数据，并根据阻抗分布数据获得阻抗成像图

[0041] 本发明的基于神经网络的电阻抗成像算法，通过随机生成大量的阻抗分布数据，并使用有限元法计算这些阻抗分布数据的边界电压信息，由此组成电阻抗成像的数据集。根据输入输出数据的格式搭建神经网络，并用数据集训练神经网络，调试各个参数，获得训练好的最优神经网络。再将目标物体的电压值数据输入神经网络，就能够得到该物体的电阻抗分布数据，进而获得电阻抗分布图。

[0042] 与现有的方法相比，本发明的有益效果为：使用仿真数据进行训练，对于实测数据也有很好的适应性，成像效果良好。经过训练的神经网络精度高，抗噪能力强，成像质量高，而且提前训练好的网络运算速度快，具有较好的效果。

[0043] 本发明尚有多种实施方式，凡采用等同变换或者等效变换而形成的所有技术方案，均落在本发明的保护范围之内。

标题	发布/更新时间	阅读量
一种基于压阻式电极的电阻抗成像系统	2020-05-19	350
变电站接地网数字化管理系统	2020-05-20	590
一种基于局部细剖分的节点电阻抗成像方法	2020-05-20	469
一种非接触式电阻抗层析成像装置及方法	2020-05-21	278
一种基于电极抽样校验的动态电阻抗成像方法	2020-05-23	208
一种基于神经网络的电阻抗成像方法	2020-05-11	453
一种基于电阻抗成像技术的检测系统和方法	2020-05-13	614
基于空间谱估计算法的电阻抗成像方法	2020-05-18	494
一种高精度多频率分布式医用电阻抗成像测量系统及方法	2020-05-21	665
基于全变差正则化法的硅片电阻率测量方法、装置及系统	2020-05-13	516

一种基于神经网络的电阻抗成像方法

一种基于神经网络的电阻抗成像方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：