论文部分内容阅读
电阻层析成像(Electrical Resistance Tomography，ERT)具有非扰动、无辐射、低成本等优势，在多相流检测、生物医学成像等领域有广泛的应用潜力。图像重建算法作为ERT系统的关键环节，其成像精度和实时性的改善对于监测与控制生产过程、提高生产稳定性和安全性具有重大意义。但由于图像重建过程本身存在的非线性、欠定性和病态性等问题，已有的图像重建算法很难兼顾成像的准确性和实时性，因此需要寻求新的理论框架用于ERT图像重建以进一步改善成像质量。
本课题以气水两相流为被测对象，利用卷积神经网络(Convolutional Neural Network，CNN)通过端到端的学习反演二维截面介质分布。利用卷积算法提取边界测量值中的有效信息，通过全连接网络对特征进行整合和表达。通过将图像重建问题转换成成像区域内的二分类问题，进一步提高了图像重建的精度。具体的研究工作为：
(1)针对数据库的建立问题，利用COMSOL和MATLAB联合仿真分别建立了内含物模型和介质分层模型数据库。为了有效的进行监督学习，每条数据包含二维截面介质分布和相应的边界电压测量值两部分，并将介质分布离散化和二值化，对边界电压测量值进行了归一化处理以消除系统误差。采用10折交叉验证方法将数据集分为了训练集和验证集。
(2)为了解决内含物模型图像重建存在的非线性和病态性问题，提出了一种卷积层和池化层交替的层级结构算法基本框架，并在此基础上加入了正则化、滑动平均、学习率衰减、随机梯度下降优化模块。分别将该算法应用于仿真数据和实验数据，结果表明该算法具有良好的抗噪性和泛化能力。
(3)针对介质分层模型由于电极失效引起的高欠定性和病态性问题，提出了稀疏批量归一化卷积神经网络算法，通过上采样、批量归一化、改善梯度更新方向等手段缓解了其欠定性和训练过程中的梯度消失问题。采用数据增强手段进一步提高了该算法的抗噪性能和泛化能力，并在实际动态两相流系统中对该算法进行了验证。
本课题以气水两相流为被测对象，利用卷积神经网络(Convolutional Neural Network，CNN)通过端到端的学习反演二维截面介质分布。利用卷积算法提取边界测量值中的有效信息，通过全连接网络对特征进行整合和表达。通过将图像重建问题转换成成像区域内的二分类问题，进一步提高了图像重建的精度。具体的研究工作为：
(1)针对数据库的建立问题，利用COMSOL和MATLAB联合仿真分别建立了内含物模型和介质分层模型数据库。为了有效的进行监督学习，每条数据包含二维截面介质分布和相应的边界电压测量值两部分，并将介质分布离散化和二值化，对边界电压测量值进行了归一化处理以消除系统误差。采用10折交叉验证方法将数据集分为了训练集和验证集。
(2)为了解决内含物模型图像重建存在的非线性和病态性问题，提出了一种卷积层和池化层交替的层级结构算法基本框架，并在此基础上加入了正则化、滑动平均、学习率衰减、随机梯度下降优化模块。分别将该算法应用于仿真数据和实验数据，结果表明该算法具有良好的抗噪性和泛化能力。
(3)针对介质分层模型由于电极失效引起的高欠定性和病态性问题，提出了稀疏批量归一化卷积神经网络算法，通过上采样、批量归一化、改善梯度更新方向等手段缓解了其欠定性和训练过程中的梯度消失问题。采用数据增强手段进一步提高了该算法的抗噪性能和泛化能力，并在实际动态两相流系统中对该算法进行了验证。