| 学位论文的主要创新点 | 第3-4页 |
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 电阻抗成像技术介绍 | 第9-10页 |
| 1.2 EIT成像技术发展概况 | 第10-13页 |
| 1.3 深度学习的研究现状 | 第13-14页 |
| 1.4 本课题主要研究内容 | 第14-17页 |
| 第二章 EIT成像理论基础 | 第17-27页 |
| 2.1 电阻抗成像敏感场的数学描述 | 第17-19页 |
| 2.2 EIT正问题 | 第19-20页 |
| 2.3 EIT逆问题 | 第20-25页 |
| 2.3.1 EIT图像非智能重建算法 | 第20-22页 |
| 2.3.2 EIT图像智能重建算法 | 第22-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 电阻抗成像浅层智能学习方法 | 第27-39页 |
| 3.1 Hopfield网络法 | 第27-32页 |
| 3.1.1 Hopfield网络能量函数的建立 | 第27-28页 |
| 3.1.2 基于EIT能量函数的Hopfield网络的求解过程 | 第28-30页 |
| 3.1.3 Hopfield网络重建EIT图像仿真分析 | 第30-32页 |
| 3.2 最速下降BP学习法 | 第32-38页 |
| 3.2.1 基于最速下降BP学习法的EIT成像模型训练过程 | 第32-35页 |
| 3.2.2 基于最速下降BP学习法的EIT成像模型训练 | 第35页 |
| 3.2.3 基于最速下降BP学习法的EIT模型初始化 | 第35-37页 |
| 3.2.4 基于最速下降BP学习法的EIT图像仿真分析 | 第37-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 基于深度学习的电阻抗成像方法 | 第39-67页 |
| 4.1 深度学习介绍 | 第39页 |
| 4.2 深度学习网络模型重建EIT图像 | 第39-50页 |
| 4.2.1 获取与处理原始数据模块 | 第41页 |
| 4.2.2 构建网络模型模块 | 第41-42页 |
| 4.2.3 训练网络模型模块 | 第42-48页 |
| 4.2.4 重建EIT图像模块 | 第48页 |
| 4.2.5 基于深度模型法的EIT成像仿真分析 | 第48-50页 |
| 4.3 基于深度学习字典的稀疏成像方法 | 第50-61页 |
| 4.3.1 EIT稀疏成像模型 | 第50-53页 |
| 4.3.2 EIT稀疏字典学习 | 第53-58页 |
| 4.3.3 基于深度字典法的EIT成像仿真分析 | 第58-61页 |
| 4.4 EIT智能类算法仿真结果对比分析 | 第61-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第五章 EIT智能成像算法实验验证 | 第67-75页 |
| 5.1 实验条件 | 第67-68页 |
| 5.2 EIT系统成像实验 | 第68-73页 |
| 5.2.1 单一分布成像实验 | 第68-70页 |
| 5.2.2 混合分布成像实验 | 第70-72页 |
| 5.2.3 胸腔模型成像实验 | 第72-73页 |
| 5.3 本章小结 | 第73-75页 |
| 第六章 结论与展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 硕士期间发表论文和参加科研情况 | 第81-83页 |
| 致谢 | 第83页 |
