| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 引言 | 第9-10页 |
| 1.2 生物组织电学特性 | 第10-13页 |
| 1.3 磁探测电阻抗成像技术及发展现状 | 第13-15页 |
| 1.4 深度学习研究现状 | 第15-17页 |
| 1.5 本文主要研究内容 | 第17页 |
| 1.6 本文组织与结构 | 第17-19页 |
| 第二章 磁探测电阻抗成像正问题算法 | 第19-29页 |
| 2.1 磁探测电阻抗成像算法概述 | 第19页 |
| 2.2 磁探测电阻抗成像正问题概述 | 第19-22页 |
| 2.3 基于有限元方法的磁探测电阻抗成像正问题计算 | 第22-24页 |
| 2.3.1 电场分布计算 | 第22-24页 |
| 2.3.2 磁场强度计算 | 第24页 |
| 2.4 磁探测电阻抗正问题仿真计算 | 第24-27页 |
| 2.4.1 基于正方形模型的正问题仿真计算 | 第24-26页 |
| 2.4.2 基于圆形模型的正问题仿真计算 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 磁探测电阻抗成像逆问题算法 | 第29-51页 |
| 3.1 磁探测电阻抗成像逆问题概述 | 第29-32页 |
| 3.1.1 传统线性磁探测电阻抗成像重建算法 | 第29-31页 |
| 3.1.2 基于神经网络的非线性图像重建算法 | 第31-32页 |
| 3.2 Krylov子空间投影法 | 第32-38页 |
| 3.2.1 算法概述 | 第32-36页 |
| 3.2.2 仿真实验结果 | 第36-38页 |
| 3.3 基于BP神经网络的浅层逆问题算法 | 第38-44页 |
| 3.3.1 算法概述 | 第38-41页 |
| 3.3.2 神经网络模型的训练 | 第41-43页 |
| 3.3.3 仿真实验结果 | 第43-44页 |
| 3.4 基于栈式自编码深度学习的逆问题算法 | 第44-50页 |
| 3.4.1 自动编码器 | 第45-46页 |
| 3.4.2 栈式自编码器 | 第46-47页 |
| 3.4.3 基于栈式自编码器的磁探测电阻抗重建算法 | 第47-48页 |
| 3.4.4 仿真实验结果 | 第48-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 重建算法的性能评价 | 第51-63页 |
| 4.1 传统图像质量评价体系 | 第51-52页 |
| 4.2 重建图像质量的客观评价 | 第52-56页 |
| 4.2.1 异质体形心 | 第52-53页 |
| 4.2.2 剖面图 | 第53页 |
| 4.2.3 抗噪性 | 第53-56页 |
| 4.3 MDEIT重建算法性能评价 | 第56-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 基于双激励的磁探测电阻抗成像逆问题 | 第63-69页 |
| 5.1 双激励磁探测电阻抗成像模型 | 第63-65页 |
| 5.2 仿体实验 | 第65-67页 |
| 5.3 本章小结 | 第67-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 发表论文和参加科研情况 | 第75-77页 |
| 致谢 | 第77页 |