基于遗传蚁群算法的电容层析成像边缘补偿技术研究

摘要

电容层析成像(Electrical Capacitance Tomography)技术不仅在工业生产中可以控制到很低的实现成本，该技术的系统结构也非常简单，同时其又具有很强的可靠性，很高的安全性，而特别是其非侵入式的特点，也使得该技术有了更为广泛的使用空间。但是该技术的图像重建工作属于反问题的求解，其过程是通过管道外布置的电极测得各电极之间的电容值，即观测数据，再利用研究的图像重建算法将管道内某一个横截面内各相流的介质元素分布重建成灰度图像。但是管道外布置的电极数量是有限的，因此得到的电容值也是有限的，相比较于所需要的电容值的数量是远远不够的，通过如此少量的电容值来反算管道内部各相流的介质分布，这样的求解问题是一种病态问题，所求得的解并不是独一无二的，这就是病态问题的解的不适定型，这也是电容层析成像图像重建最难解决的问题所在，所以，为了可以使得重建的灰度图像，更加接近实际生产环境中的真正图像，需要对重建的灰度图像各介质边界进行边缘补偿，本文的主要内容有:
　　1.详细介绍了电容层析成像技术的系统组成和基本工作原理，分析了电容层析成像技术反问题的不适定性，针对该问题介绍了几种常用的优化算法，包括Landweber迭代法、多项式加速算法以及共轭梯度算法。
　　2.针对电容层析成像技术不适定性的问题，通过对渐进最优阶理论的阐述，证明了电容层析成像进行边缘补偿技术的必要性，同时本文又利用几何凸包的方法解决了如何确定进行边缘补偿的范围，这也证明了电容层析成像边缘补偿技术的可行性。在此基础上，本文提出了基于遗传蚁群算法（GAACO）的ECT边界灰度补偿算法。通过对进行边缘补偿和未进行边缘补偿的实验结果进行比对表明，进行边缘补偿可以改善图像重建的稳定性和提高图像重建的质量;同时通过对使用PSO算法进行边缘与本文提出的GAACO边缘补偿算法的实验结果进行对比和分析后，可以得出经过本文提出的算法进行边缘补偿后的图像优于PSO算法。
　　3.针对电容层析成像技术反问题的流型辨识问题，在分析了几种特征参数的基础上，通过与BP神经网络算法用于流型辨识技术对比之后，本文提出了修正加权高斯牛顿的神经网络(RW-GN)方法用于ECT技术的流型辨识问题。

目录

摘要

1 绪论

1．1 研究目的及意义

1．2 国内外研究现状

1．2．1 国外研究现状

1．2．2 国内研究现状

1．3 研究内容

1．4 论文内容安排

2 电容层析成像技术原理

2．1 电容层析成像系统组成及工作原理

2．1．1 电容层析成像系统组成

2．1．2 电容层析成像工作原理

2．2 电容层析成像求解算法

2．2．1 Landweber迭代法

2．2．2 多项式加速算法

2．2．3 共轭梯度算法

2．3 本章小结

3 电容层析成像边缘补偿算法

3．1 电容层析成像边缘补偿原理

3．1．1 电容层析成像边缘补偿的必要性

3．1．2 电容层析成像边缘补偿区域的确定

3．2 粒子群算法

3．2．1 粒子群算法的基本思想

3．2．2 粒子群算法的理论分析

3．2．3 粒子群算法的流程图

3．3 遗传蚁群算法

3．3．1 遗传算法

3．3．2 蚁群算法

3．3．3 遗传蚁群算法基本思想

3．3．4 遗传蚁群算法流程图

3．3．5 基于遗传蚁群算法的ECT边界灰度补偿算法的实现

3．4 电容层析成像边缘补偿仿真实验

3．5 本章小结

4 电容层析成像流型辨识

4．1 电容层析成像流型辨识原理

4．1．1 流型的特征分析

4．2 BP神经网络算法

4．3 修正加权高斯牛顿的神经网络算法

4．4 电容层析成像流型辨识仿真实验

4．5 本章小结

结论

参考文献

攻读学位期间发表的学术论文

致谢

声明