【優(yōu)秀碩士博士論文】基于多傳感器融合的兩相流參數(shù)測量方(002)

1、 專專 業(yè)：檢測技術(shù)與自動化裝置業(yè)：檢測技術(shù)與自動化裝置 答辯人：張立峰答辯人：張立峰 導導 師：王化祥師：王化祥 教授教授電學層析成像激勵測量模式及電學層析成像激勵測量模式及圖像重建算法研究圖像重建算法研究內(nèi)容概要內(nèi)容概要1. 論文工作簡介論文工作簡介 2. 基于靈敏度更新的基于靈敏度更新的eit圖像重建算法圖像重建算法 3. eit單電流源驅(qū)動模式研究單電流源驅(qū)動模式研究 4. ect電容歸一化模型研究電容歸一化模型研究 5. 基于小波神經(jīng)網(wǎng)絡的基于小波神經(jīng)網(wǎng)絡的ect圖像重建算法圖像重建算法 6. 基于組合電極激勵測量模式的基于組合電極激勵測量模式的ect研究研究 傳感器獲取被測對象的信

2、息（電阻、電容、電阻抗等），并由傳感器獲取被測對象的信息（電阻、電容、電阻抗等），并由數(shù)據(jù)采集系統(tǒng)進行處理，送往計算機，采用圖像重建算法得到被測數(shù)據(jù)采集系統(tǒng)進行處理，送往計算機，采用圖像重建算法得到被測對象某一截面的圖像。對重建圖像作進一步分析處理，提取特征參對象某一截面的圖像。對重建圖像作進一步分析處理，提取特征參數(shù)，以完成多相流其它參數(shù)的測量。數(shù)，以完成多相流其它參數(shù)的測量。 要求：設計合理的電極要求：設計合理的電極結(jié)構(gòu)（形狀、尺寸、布結(jié)構(gòu)（形狀、尺寸、布置方式、加工工藝），置方式、加工工藝），提高被測場域靈敏度及提高被測場域靈敏度及其均勻性。其均勻性?，F(xiàn)狀：在仿真與實驗的現(xiàn)狀：在仿真與實

3、驗的基礎上，已開發(fā)多種結(jié)基礎上，已開發(fā)多種結(jié)構(gòu)的傳感器，并可根據(jù)構(gòu)的傳感器，并可根據(jù)用戶需求定制。用戶需求定制?？蓾M足目前應用對象的可滿足目前應用對象的設計需求。設計需求。要求：測量動態(tài)范圍要求：測量動態(tài)范圍大，抗噪能力強，分大，抗噪能力強，分辨率高，數(shù)據(jù)傳輸快。辨率高，數(shù)據(jù)傳輸快?，F(xiàn)狀：先后開發(fā)基于現(xiàn)狀：先后開發(fā)基于數(shù)據(jù)采集卡、單片機、數(shù)據(jù)采集卡、單片機、dsp及及fpga的數(shù)據(jù)采的數(shù)據(jù)采集系統(tǒng)，采用集系統(tǒng)，采用usb傳傳輸數(shù)據(jù)。輸數(shù)據(jù)。數(shù)據(jù)采集系統(tǒng)已達國數(shù)據(jù)采集系統(tǒng)已達國際先進水平際先進水平。要求：準確、快速及要求：準確、快速及高穩(wěn)定性。高穩(wěn)定性?，F(xiàn)狀：已研究了多種現(xiàn)狀：已研究了多種新算法

4、，（如：新算法，（如：tv正正則化、基于先驗信息則化、基于先驗信息的算法、組合算法等）的算法、組合算法等）圖像重建算法的精度圖像重建算法的精度及速度是制約電學層及速度是制約電學層析成像成功應用的重析成像成功應用的重要因素。要因素。1. 軟場軟場效應，效應，即介質(zhì)分布將影響敏感場的分布，且中心處的靈敏度遠低于場域邊界靠近電極區(qū)域（非線性），直接影響靈敏度矩陣，在圖像重建中，考慮到實時成像速度，未對靈敏度矩陣進行實時更新，導致重建圖像質(zhì)量較低。針對軟場效應，本文做了以下工作。第三章第三章 探討了基于靈敏度矩陣更新的圖像重建算法；第四章第四章 研究了單源eit的電流驅(qū)動模式；第五章第五章 提出結(jié)合e

5、ct的混聯(lián)歸一化模型及電力線的分布，導出具有最佳迭代因子的landweber迭代算法；第六章第六章 研究利用小波神經(jīng)網(wǎng)絡對軟場特性進行逼近。2. 方程的欠定性，方程的欠定性，et系統(tǒng)通常只能獲得有限的投影數(shù)據(jù)，其重建圖像像素的數(shù)目遠大于獨立測量數(shù)，導致圖像重建為一個欠定問題。以ect為例提出 組合電極 激勵測量模式。 第七章第七章 組合電極式ect研究。u 提出了基于靈敏度更新的提出了基于靈敏度更新的landweber迭代算法，針對醫(yī)學迭代算法，針對醫(yī)學監(jiān)護用監(jiān)護用eit系統(tǒng)，其所測對象電阻抗分布變化不大，使用該方法系統(tǒng)，其所測對象電阻抗分布變化不大，使用該方法進行圖像重建，對首次更新靈敏度系

6、數(shù)矩陣所需迭代次數(shù)、靈敏進行圖像重建，對首次更新靈敏度系數(shù)矩陣所需迭代次數(shù)、靈敏度系數(shù)矩陣的更新次數(shù)進行了詳細分析。度系數(shù)矩陣的更新次數(shù)進行了詳細分析。u 分析了分析了ect電容測量值的并聯(lián)、串聯(lián)及混聯(lián)歸一化模型，提電容測量值的并聯(lián)、串聯(lián)及混聯(lián)歸一化模型，提出了結(jié)合電力線分布與混聯(lián)歸一化模型的靈敏度矩陣計算方法，出了結(jié)合電力線分布與混聯(lián)歸一化模型的靈敏度矩陣計算方法，導出了混聯(lián)歸一化模型的最優(yōu)迭代因子導出了混聯(lián)歸一化模型的最優(yōu)迭代因子landweber迭代算法。迭代算法。u 為增加為增加ect系統(tǒng)的投影數(shù)據(jù)，提出了系統(tǒng)的投影數(shù)據(jù)，提出了24電極組合式電極組合式ect傳感傳感器結(jié)構(gòu)，研究了兩種激

7、勵測量方案，并與傳統(tǒng)器結(jié)構(gòu)，研究了兩種激勵測量方案，并與傳統(tǒng)12電極電極ect傳感器傳感器進行了對比分析，包括：電容測量值的大小及其動態(tài)測量范圍、進行了對比分析，包括：電容測量值的大小及其動態(tài)測量范圍、靈敏場分布的均勻性以及不同流型下的重建圖像。靈敏場分布的均勻性以及不同流型下的重建圖像。靈敏度矩陣的定義靈敏度矩陣的定義 對于對于eit系統(tǒng)，同一頻率下測得的阻抗系統(tǒng)，同一頻率下測得的阻抗z由敏感由敏感場內(nèi)物質(zhì)的電導率場內(nèi)物質(zhì)的電導率分布唯一確定分布唯一確定( )zf局部一點的局部一點的taylor展開展開 0000 2( )() o() )dfzzd 局部線性化局部線性化 0000( )( )

8、()dfdfzzzdd 0( )( )dfsd 靈敏度靈敏度（離散化即得靈敏度矩陣）（離散化即得靈敏度矩陣） 靈敏度矩陣的計算靈敏度矩陣的計算直接求解法（擾動法）直接求解法（擾動法） 根據(jù)定義直接通過試驗獲得，或者采用有限元法，進行根據(jù)定義直接通過試驗獲得，或者采用有限元法，進行仿真計算求取仿真計算求取 利用電磁場的互易性質(zhì)求解利用電磁場的互易性質(zhì)求解 zs jiijijsdxdyii 軟場特性軟場特性 eit傳統(tǒng)傳統(tǒng)landweber迭代算法迭代算法10()tkkktggsvsggs v0mvvvmv0v， 、 分別為物體分布及空場時的測量電壓。分別為物體分布及空場時的測量電壓。 max2m

9、axts s為方陣為方陣的最大特征值。的最大特征值。 迭代因子迭代因子 基于靈敏度更新的基于靈敏度更新的landweber迭代算法迭代算法 需研究的兩個問題需研究的兩個問題1. 靈敏度系數(shù)法重建圖像精度較差，用于更新靈靈敏度系數(shù)法重建圖像精度較差，用于更新靈敏度矩陣近似圖像選自敏度矩陣近似圖像選自landweber迭代的圖像迭代的圖像，需研究采用多少次迭代的，需研究采用多少次迭代的landweber迭代圖迭代圖像作為近似圖像進行靈敏度更新計算；像作為近似圖像進行靈敏度更新計算；2. 靈敏度矩陣更新的次數(shù)及靈敏度矩陣更新對提靈敏度矩陣更新的次數(shù)及靈敏度矩陣更新對提高重建圖像質(zhì)量的效能。高重建圖像

10、質(zhì)量的效能。管道內(nèi)徑管道內(nèi)徑160 mm，16電極電極eit傳感傳感器，背景物場及物體的電導率分別器，背景物場及物體的電導率分別為為1 s/m和和2 s/m，共有，共有1920個單個單元，元，1057個節(jié)點。個節(jié)點。 *22re*1* 2211() ()cc()()ninnii重建圖像質(zhì)量評價指標重建圖像質(zhì)量評價指標 （圖像相對誤差）（圖像相對誤差）（相關系數(shù)（相關系數(shù) ) pentium (r) 4 2.93ghz cpu，512m內(nèi)存內(nèi)存pc機，重新機，重新計算一次靈敏度系數(shù)矩陣所需計算一次靈敏度系數(shù)矩陣所需時間為時間為8.247 秒。秒。 一、靈敏度矩陣首次更新的圖像選取一、靈敏度矩陣首

11、次更新的圖像選取 二、靈敏度矩陣更新次二、靈敏度矩陣更新次數(shù)數(shù)靜態(tài)實驗及結(jié)靜態(tài)實驗及結(jié)果果eit單電流源電流驅(qū)動模式研究單電流源電流驅(qū)動模式研究 電流驅(qū)動模式（電流驅(qū)動模式（current driven pattern）是以恒）是以恒流源為激勵源施加于成像目標的方式。流源為激勵源施加于成像目標的方式。 電流驅(qū)動模式直接決定原始數(shù)據(jù)的信息量，影響重電流驅(qū)動模式直接決定原始數(shù)據(jù)的信息量，影響重建圖像質(zhì)量。建圖像質(zhì)量。 (a) 相鄰相鄰 (b) 交叉交叉 (c) 相對相對 典型的電流驅(qū)動模式典型的電流驅(qū)動模式 統(tǒng)一電壓測量模式統(tǒng)一電壓測量模式：相鄰電極測量（去除包含激勵電極的測量值）研究研究8種電流

12、驅(qū)動模式種電流驅(qū)動模式： 以16電極eit系統(tǒng)為例，依據(jù)結(jié)構(gòu)對稱性，有電極對1-2激勵（pattern 1）、電極對1-3激勵（pattern 2）、直到電極對1-9激勵（pattern 8），共8種驅(qū)動模式 等勢線分布測量電壓的動態(tài)范圍測量電壓的動態(tài)范圍 獨立測量數(shù)獨立測量數(shù)pattern 1：（13*16）/2104pattern 2pattern 7：12*16192pattern 8：12*16/296邊界測量電壓的敏感性邊界測量電壓的敏感性 niivivn120)()(11電壓變化的標準差電壓變化的標準差 v0(i)為空場時的第為空場時的第i個測量電壓值，個測量電壓值，v(i)為物體

13、分布時為物體分布時的第的第i個測量電壓值，個測量電壓值，n為獨為獨立測量數(shù)。立測量數(shù)。 重建圖像重建圖像 圖像相對誤差圖像相對誤差從上述各指標中可以看出，任何一種驅(qū)動模式不可能使所有指標最優(yōu)。折衷選取pattern 7為較優(yōu)的驅(qū)動模式，由此既可得到較為均勻的電流場分布，又可獲得較多的獨立測量數(shù)，從而獲得較好的重建圖像。 通過布置在被測對象周邊的陣列電極陣列電極，獲取反應多相流分布的，依據(jù)圖像重建算法獲得對象橫截面處多相流及其物理特性的分布情況。場域內(nèi)電場分布滿足場域內(nèi)電場分布滿足任一對電極間電容可按下式計算任一對電極間電容可按下式計算基于靈敏度矩陣的線性化基于靈敏度矩陣的線性化其離散形式為其離

14、散形式為m為獨立測量數(shù)；為獨立測量數(shù)；n為成像網(wǎng)格數(shù)為成像網(wǎng)格數(shù)泰勒展開，得泰勒展開，得舍去二次項，得線性表達式舍去二次項，得線性表達式電容測量值歸一化電容測量值歸一化方程歸一化，得方程歸一化，得、 分別為歸一化電容值、靈敏度矩陣及介電常數(shù)（灰度）分別為歸一化電容值、靈敏度矩陣及介電常數(shù)（灰度）sg歸一化目的歸一化目的：1. 使測量數(shù)據(jù)無量綱化，便于數(shù)學處理并與數(shù)字圖像相聯(lián)系；使測量數(shù)據(jù)無量綱化，便于數(shù)學處理并與數(shù)字圖像相聯(lián)系；2. 可在一定程度上減少測量誤差的影響?？稍谝欢ǔ潭壬蠝p少測量誤差的影響。 對于同一組電容測量值，不同的歸一化模型可獲對于同一組電容測量值，不同的歸一化模型可獲得不同的

15、歸一化電容值，從而造成重建圖像的差異。得不同的歸一化電容值，從而造成重建圖像的差異。因此，歸一化模型的探討極為必要。因此，歸一化模型的探討極為必要。 ect系統(tǒng)兩點標定系統(tǒng)兩點標定：分別用高介電常數(shù)相介質(zhì)（如油：分別用高介電常數(shù)相介質(zhì)（如油/氣兩相流氣兩相流中的油相）和低介電常數(shù)相介質(zhì)（如油中的油相）和低介電常數(shù)相介質(zhì)（如油/氣兩相流中的氣相）充氣兩相流中的氣相）充滿傳感器并測量相應的電容值滿傳感器并測量相應的電容值ch和和cl，圖像重建前要利用標定，圖像重建前要利用標定數(shù)據(jù)數(shù)據(jù)ch 和和cl,電容數(shù)據(jù)電容數(shù)據(jù)cm進行歸一化處理。進行歸一化處理。電容測量值歸一化電容測量值歸一化),(lhmcc

16、cf歸一化應滿足下列方程歸一化應滿足下列方程lmlhmcccccf , 0),(hmlhmcccccf , 1),(并聯(lián)及串聯(lián)歸一化模型并聯(lián)及串聯(lián)歸一化模型以平行板電容器為例，圖以平行板電容器為例，圖中，黃色及白色分別代表中，黃色及白色分別代表高、低介電常數(shù)相，對應高、低介電常數(shù)相，對應相濃度分別為相濃度分別為c1和和c2.1.1.并聯(lián)模型并聯(lián)模型2.2.串聯(lián)模型串聯(lián)模型p=s=并聯(lián)及串聯(lián)歸一化模型特性并聯(lián)及串聯(lián)歸一化模型特性并聯(lián)模型：線性并聯(lián)模型：線性串聯(lián)模型：非線性串聯(lián)模型：非線性對于復雜的多相流流型，不對于復雜的多相流流型，不能簡單等效為單一的并聯(lián)模能簡單等效為單一的并聯(lián)模型或串聯(lián)模型。

17、型或串聯(lián)模型?；旌夏Ｐ突旌夏Ｐ?1111()(1 (lhlmlhlmccccccccc0為混合模型加權(quán)因子為混合模型加權(quán)因子為并聯(lián)模型為并聯(lián)模型1為串聯(lián)模型為串聯(lián)模型并聯(lián)、串聯(lián)及混聯(lián)模型的靈敏度計算并聯(lián)、串聯(lián)及混聯(lián)模型的靈敏度計算lhlijhijlijmijijkkk1)()()(ccccslhlijhijlijmijijkkk1111)(1)()(ccccs)()(1()()(lijhijlijmijijkkkkccccslhlijhijlijmijkk1)111)(1)(cccc并聯(lián)模型并聯(lián)模型串聯(lián)模型串聯(lián)模型混聯(lián)模型混聯(lián)模型mijc)(k定義為總面積與該像素定義為總面積與該像素k的面積之

18、比的面積之比 lijchijc、為管內(nèi)充滿為管內(nèi)充滿高介電常數(shù)高介電常數(shù)相和低介電常數(shù)相時的電容值相和低介電常數(shù)相時的電容值 為管內(nèi)充滿兩相混合介質(zhì)時的電容值為管內(nèi)充滿兩相混合介質(zhì)時的電容值)(k為混合模型加權(quán)因子為混合模型加權(quán)因子) 1( 11)(11 if 1 . 01)()(ikdiikdfk)768, 2 , 1 ;10, 1 , 0 (ki確定模型加權(quán)因子確定模型加權(quán)因子 的方法的方法( )k管道內(nèi)徑：管道內(nèi)徑：120 mm，管內(nèi)剖分為管內(nèi)剖分為768個單元個單元圖像重建算法最佳迭代因子的圖像重建算法最佳迭代因子的landweber迭代算法迭代算法)(1kptkkksgsggptsg

19、 022ktktkesseskpksge并聯(lián)及串聯(lián)模型均采用如上算法（以并聯(lián)為例）并聯(lián)及串聯(lián)模型均采用如上算法（以并聯(lián)為例）)(1kctkkksgsgg11kcksge)1)(kskpktkmsgssi21),(kej)()(kpskptkmsgssi0),(j0),(j22kkptkkptksgasssgasbababbabbabsgbabsgbatttpttptttkttkttk2)()(混聯(lián)模型的混聯(lián)模型的landweber迭代算法迭代算法誤差的二次范數(shù)平方為誤差的二次范數(shù)平方為令令 及及得得psatkmssib其中其中仿真實驗結(jié)仿真實驗結(jié)果果重建圖像質(zhì)量的定量評價重建圖像質(zhì)量的定量評價

20、22ggg rniiniiniii12121)()()(gggggggg1. 圖像相對誤差圖像相對誤差2. 相關系數(shù)相關系數(shù)gg為仿真對象的真實介電常數(shù)分布為仿真對象的真實介電常數(shù)分布為重建圖像的介電常數(shù)分布為重建圖像的介電常數(shù)分布靜態(tài)實驗結(jié)果靜態(tài)實驗結(jié)果測試模型測試模型并聯(lián)并聯(lián)串聯(lián)串聯(lián)混聯(lián)混聯(lián)結(jié)結(jié) 論論 本文研究了三種電容歸一化模型，比較了三本文研究了三種電容歸一化模型，比較了三種模型的成像效果?；炻?lián)模型成像效果好，能較種模型的成像效果?；炻?lián)模型成像效果好，能較好地區(qū)分物體，所得圖像中物體邊緣清晰，適合好地區(qū)分物體，所得圖像中物體邊緣清晰，適合于多物體成像；串聯(lián)模型效果次之；并聯(lián)模型效于多物

21、體成像；串聯(lián)模型效果次之；并聯(lián)模型效果較差。果較差。 混聯(lián)模型是對真實分布的更好的等效模型?；炻?lián)模型是對真實分布的更好的等效模型。基于小波神經(jīng)網(wǎng)絡的基于小波神經(jīng)網(wǎng)絡的ect圖像重建算法圖像重建算法小波神經(jīng)網(wǎng)絡模型小波神經(jīng)網(wǎng)絡模型 )(1)(,abtatba隱層單元的激活函數(shù)為小波函數(shù)隱層單元的激活函數(shù)為小波函數(shù) 小波函數(shù)的局部化特征，小波函數(shù)的局部化特征，其對局部差異較大的函數(shù)，特別其對局部差異較大的函數(shù)，特別是在函數(shù)突變處的逼近能力更強是在函數(shù)突變處的逼近能力更強 式中，式中，a為尺度因子，為尺度因子，b為伸縮因子。為伸縮因子。網(wǎng)絡訓練算法網(wǎng)絡訓練算法 采用采用bp算法訓練網(wǎng)絡，具體步驟為：

22、算法訓練網(wǎng)絡，具體步驟為：jivkjwjajb1） 網(wǎng)絡參數(shù)初始化，對參數(shù)網(wǎng)絡參數(shù)初始化，對參數(shù) 賦以賦以-1,1之間的隨機數(shù)，給出最大迭代次數(shù)及目標誤差；之間的隨機數(shù)，給出最大迭代次數(shù)及目標誤差； pixpkdpky2） 輸入訓練樣本輸入訓練樣本及相應的目標輸出及相應的目標輸出，計算網(wǎng)，計算網(wǎng)絡輸出絡輸出及網(wǎng)絡的誤差函數(shù)及網(wǎng)絡的誤差函數(shù)e；3） 按梯度法修正權(quán)值，并引入學習率按梯度法修正權(quán)值，并引入學習率及動量系數(shù)及動量系數(shù))()() 1(nwwenwnwkjkjkjkj)()() 1(nvvenvnvjijijiji)()() 1(naaenanajjjj)()() 1(njbjbenjb

23、njb4） 若若maxee 且迭代次數(shù)小于最大迭代且迭代次數(shù)小于最大迭代次數(shù)，返回步驟次數(shù)，返回步驟3。 主成分分析法的基本原理主成分分析法的基本原理tnkxxxx),(21假設第假設第k個輸入樣本為個輸入樣本為，n為樣本向量維數(shù)。為樣本向量維數(shù)。 主成分分析是一種降維的統(tǒng)計方法，它通過恰當?shù)臄?shù)學變換，將原來數(shù)據(jù)主成分分析是一種降維的統(tǒng)計方法，它通過恰當?shù)臄?shù)學變換，將原來數(shù)據(jù)中具有一定相關性的變量經(jīng)過降維處理變成一組新的互不相關的變量，按照中具有一定相關性的變量經(jīng)過降維處理變成一組新的互不相關的變量，按照方差依次遞減的順序進行排列，保持變量的總方差不變。方差依次遞減的順序進行排列，保持變量的總

24、方差不變。1）計算全體樣本均值（共）計算全體樣本均值（共n個樣本）個樣本）nkkxnx112）計算樣本向量的協(xié)方差矩陣）計算樣本向量的協(xié)方差矩陣 tnkkkxxxxns1)(1計算該協(xié)方差矩陣的特征值，并將其按從大到小的順序排列，即有計算該協(xié)方差矩陣的特征值，并將其按從大到小的順序排列，即有12nniiriirq11)(計算前計算前r 個主成分個主成分的累積方差貢獻率的累積方差貢獻率當前當前r 個主成分累積方差貢獻率足夠大（通常大于個主成分累積方差貢獻率足夠大（通常大于85%），），可只取前可只取前r 個主成分作為提取后的樣本特征向量。個主成分作為提取后的樣本特征向量。 基于基于pca-wnn

25、模型的圖像重建算法模型的圖像重建算法 基于基于pca-wnn模型的圖像重建算法原理框圖模型的圖像重建算法原理框圖 仿真實驗及結(jié)果仿真實驗及結(jié)果 小波神經(jīng)網(wǎng)絡的輸出為小波神經(jīng)網(wǎng)絡的輸出為300行行1列的向量，這將導致網(wǎng)絡的收斂列的向量，這將導致網(wǎng)絡的收斂速度慢。本文將該小波神經(jīng)網(wǎng)絡細分為速度慢。本文將該小波神經(jīng)網(wǎng)絡細分為30個子網(wǎng)絡，每個子網(wǎng)絡均個子網(wǎng)絡，每個子網(wǎng)絡均為為10個輸出，依次與重建圖像的個輸出，依次與重建圖像的10個像素灰度值一一對應，最后由個像素灰度值一一對應，最后由30個子網(wǎng)絡的輸出共得到個子網(wǎng)絡的輸出共得到300個像素的灰度值，完成圖像重建。個像素的灰度值，完成圖像重建。 成像

26、區(qū)域剖分為成像區(qū)域剖分為5層，共有層，共有300個單元。本個單元。本文針對核心流、層流、環(huán)流、柱狀流、泡狀流等文針對核心流、層流、環(huán)流、柱狀流、泡狀流等各典型分布均選取一定數(shù)量的樣本，包含訓練樣各典型分布均選取一定數(shù)量的樣本，包含訓練樣本及測試樣本，共得本及測試樣本，共得513個樣本，其中訓練樣本個樣本，其中訓練樣本為為500個，測試樣本為個，測試樣本為13個。個。樣本的主成分分析結(jié)果樣本的主成分分析結(jié)果 特征值貢獻率分布特征值貢獻率分布 選擇選擇14個主成分量作為網(wǎng)絡輸入，其累積貢獻率為個主成分量作為網(wǎng)絡輸入，其累積貢獻率為99.02% 樣本的歸一化處理樣本的歸一化處理 經(jīng)過主成分分析后的新

27、樣本在進入網(wǎng)絡訓練之前，對其進行歸一化處經(jīng)過主成分分析后的新樣本在進入網(wǎng)絡訓練之前，對其進行歸一化處理，歸一化后的電容值在理，歸一化后的電容值在0-1之間，這樣有利于小波神經(jīng)網(wǎng)絡區(qū)分那些差異之間，這樣有利于小波神經(jīng)網(wǎng)絡區(qū)分那些差異很小的樣本，使網(wǎng)絡易于收斂。很小的樣本，使網(wǎng)絡易于收斂。 wnn的參數(shù)的參數(shù) 對于每個小波神經(jīng)網(wǎng)絡的子網(wǎng)絡，選用一個隱層，經(jīng)反復試驗，隱對于每個小波神經(jīng)網(wǎng)絡的子網(wǎng)絡，選用一個隱層，經(jīng)反復試驗，隱層節(jié)點數(shù)選為層節(jié)點數(shù)選為12，小波神經(jīng)網(wǎng)絡的隱含層節(jié)點激勵函數(shù)選為，小波神經(jīng)網(wǎng)絡的隱含層節(jié)點激勵函數(shù)選為morlet小波小波，其在時域及頻域具有較好的性質(zhì)。，其在時域及頻域具有

28、較好的性質(zhì)。2/2( ) cos(1.75 )exxxmorlet小波的函數(shù)表達式為小波的函數(shù)表達式為 輸出層單元激勵函數(shù)選為線性函數(shù)，網(wǎng)絡目標誤差為輸出層單元激勵函數(shù)選為線性函數(shù)，網(wǎng)絡目標誤差為0.001。 訓練樣本的重建圖像訓練樣本的重建圖像 訓練樣本重建圖像相對誤差訓練樣本重建圖像相對誤差 訓練樣本的圖像重建時間訓練樣本的圖像重建時間 （ms） 測試樣本重建圖像相對誤差測試樣本重建圖像相對誤差 測試樣本的圖像重建時間測試樣本的圖像重建時間 （ms） 測試樣本的重建圖像測試樣本的重建圖像 結(jié)結(jié) 論論 對于訓練好的對于訓練好的wnn，其圖像重建時間不到，其圖像重建時間不到1 ms，與與lbp

29、算法成像時間接近，通常算法成像時間接近，通常landweber迭代算法需迭代算法需迭代十幾次到幾十次才能得到較滿意的圖像，所用時間迭代十幾次到幾十次才能得到較滿意的圖像，所用時間較長，較長，landweber迭代算法迭代迭代算法迭代100次所需時間與次所需時間與lbp算法及算法及wnn算法相差算法相差2個數(shù)量級。一旦個數(shù)量級。一旦wnn訓練成功訓練成功后，即可完成在線一步實時成像，圖像重建的速度及精后，即可完成在線一步實時成像，圖像重建的速度及精度均有較大提高。度均有較大提高。組合電極式電容層析成像研究組合電極式電容層析成像研究背背 景景 et系統(tǒng)采用貼于管壁的電極作為陣列傳感器，各測量電系統(tǒng)

30、采用貼于管壁的電極作為陣列傳感器，各測量電極或測量電極對的測量信號作為介質(zhì)分布在某個角度下的投極或測量電極對的測量信號作為介質(zhì)分布在某個角度下的投影數(shù)據(jù)，利用不同角度下的投影數(shù)據(jù)實現(xiàn)圖像重建。影數(shù)據(jù)，利用不同角度下的投影數(shù)據(jù)實現(xiàn)圖像重建。 假設有假設有n個電極，其有效的獨立測量值數(shù)目為個電極，其有效的獨立測量值數(shù)目為n(n-1)/2，且由傳感器管道的幾何尺寸決定了電極數(shù)目且由傳感器管道的幾何尺寸決定了電極數(shù)目n不能過多，因為不能過多，因為過多的電極將導致測量信號減小、信噪比下降，極大地增加過多的電極將導致測量信號減小、信噪比下降，極大地增加對數(shù)據(jù)采集系統(tǒng)的要求。對數(shù)據(jù)采集系統(tǒng)的要求。 因此，從

31、原理上即決定了因此，從原理上即決定了et系統(tǒng)只能獲得有限的投影數(shù)系統(tǒng)只能獲得有限的投影數(shù)據(jù)，為獲得較高精度的重建圖像，其重建圖像像素的數(shù)目通據(jù)，為獲得較高精度的重建圖像，其重建圖像像素的數(shù)目通常遠大于獨立測量數(shù)，導致圖像重建為一個欠定問題。常遠大于獨立測量數(shù)，導致圖像重建為一個欠定問題。 有學者提出了旋轉(zhuǎn)式電阻抗層析成像系統(tǒng)，通過步進電機帶動陣有學者提出了旋轉(zhuǎn)式電阻抗層析成像系統(tǒng)，通過步進電機帶動陣列電極旋轉(zhuǎn)，從而可極大地增加投影數(shù)據(jù)，提高重建圖像的質(zhì)量，但列電極旋轉(zhuǎn)，從而可極大地增加投影數(shù)據(jù)，提高重建圖像的質(zhì)量，但該種方法速度較慢，難以滿足工業(yè)實時性要求。該種方法速度較慢，難以滿足工業(yè)實時性

32、要求。 et本質(zhì)上是利用電場的旋轉(zhuǎn)對物場進行快速掃描，依據(jù)該原理，本質(zhì)上是利用電場的旋轉(zhuǎn)對物場進行快速掃描，依據(jù)該原理，如果不用機械地旋轉(zhuǎn)電極，而是通過改變激勵及測量電極的位置，則如果不用機械地旋轉(zhuǎn)電極，而是通過改變激勵及測量電極的位置，則既可有效增加投影數(shù)據(jù)，又可保證成像快速性的要求。既可有效增加投影數(shù)據(jù)，又可保證成像快速性的要求。 本文提出基于組合電極的激勵測量模式，激勵電極或測量電極不本文提出基于組合電極的激勵測量模式，激勵電極或測量電極不再是單一的電極，而是將多個電極進行組合，視為一個電極，這樣電再是單一的電極，而是將多個電極進行組合，視為一個電極，這樣電極尺寸可以做得較小，通過不同的

33、組合方案，既可有效增加投影數(shù)據(jù)，極尺寸可以做得較小，通過不同的組合方案，既可有效增加投影數(shù)據(jù)，又能保證一定的測量精度和成像的實時性要求。又能保證一定的測量精度和成像的實時性要求。ect傳感器結(jié)構(gòu)及組合方案傳感器結(jié)構(gòu)及組合方案 (a) 12電極電極 (b) 24電極電極12電極及電極及24電極電極ect傳感器結(jié)構(gòu)圖傳感器結(jié)構(gòu)圖討論兩種組合方案：討論兩種組合方案：第一種激勵組合：第一種激勵組合：每個電極只組合一每個電極只組合一次，如次，如1，2電極組合，電極組合，3，4電極組合電極組合，一直到，一直到23，24電極進行組合激勵；電極進行組合激勵；第二種激勵組合第二種激勵組合：每個電極組合兩次：每個

34、電極組合兩次，如，如1，2電極組合，然后電極組合，然后2，3電極組電極組合，合，3，4電極組合，直到電極組合，直到24，1電極電極組合激勵。組合激勵。測量電極的組合方案相同（以測量電極的組合方案相同（以1，2電電極組合作為激勵電極為例）：極組合作為激勵電極為例）：3，4電電極組合，極組合，4，5電極組合，電極組合，5，6電極組電極組合，直到合，直到23，24電極組合。電極組合。 獨立測量數(shù)比較獨立測量數(shù)比較 傳統(tǒng)傳統(tǒng)12電極電極ect傳感器，其獨立測量數(shù)為傳感器，其獨立測量數(shù)為66。對于。對于24電電極極ect傳感器的第一種組合方案，經(jīng)過計算，可得傳感器的第一種組合方案，經(jīng)過計算，可得186個

35、獨個獨立測量數(shù)，為傳統(tǒng)立測量數(shù)，為傳統(tǒng)12電極電極ect傳感器所得獨立測量數(shù)的傳感器所得獨立測量數(shù)的2.82倍；而對于倍；而對于24電極電極ect傳感器的第二種組合方案，其獨立測傳感器的第二種組合方案，其獨立測量數(shù)為量數(shù)為252，其數(shù)量是傳統(tǒng)，其數(shù)量是傳統(tǒng)12電極電極ect傳感器所得獨立測量傳感器所得獨立測量數(shù)的數(shù)的3.82倍。倍。 由此可見，由此可見，在總電極面積相同的情況下在總電極面積相同的情況下，采用小尺寸電，采用小尺寸電極進行組合的方案可非常有效地增加傳感器的獨立測量數(shù)，極進行組合的方案可非常有效地增加傳感器的獨立測量數(shù)，減小圖像重建的欠定性。減小圖像重建的欠定性。 電容測量值對電容測量值對比比靈敏度分布的均勻性比較靈敏度分布的均勻性比較靈敏度均勻性指標靈敏度均勻性指標 devavgijijijpss12 1/211( )1( ) )1navgijijendevavgijijijesensesnss均均 值值標準差標準差n為場域剖分單元數(shù)為場域剖分單元數(shù) p越小，傳感器敏感場的均勻性越好，可提高重建圖像越小，傳感器敏感場的均勻性越好，可提高重建圖像質(zhì)量，尤其是中心區(qū)域物體重建圖像的質(zhì)量。質(zhì)量，尤其是中心區(qū)域物體重建圖像的質(zhì)量。 12電極電