用于EIT图像重建的深度神经网络模型构建方法
| 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 EIT技术简介 | 第9-10页 |
| 1.2 EIT技术的发展概况 | 第10-11页 |
| 1.3 EIT重建算法研究现状分析 | 第11-14页 |
| 1.3.1 EIT重建算法研究现状 | 第11-13页 |
| 1.3.2 EIT重建算法研究现状分析 | 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 EIT敏感场数学描述 | 第17-20页 |
| 2.2 EIT正问题 | 第20-21页 |
| 2.3 EIT逆问题 | 第21-25页 |
| 2.3.1 EIT图像的非智能重建算法 | 第22-24页 |
| 2.3.2 EIT图像的智能重建算法 | 第24-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 深度神经网络映射EIT图像重建方案 | 第27-31页 |
| 3.1 构建EIT图像重建映射模型 | 第27-29页 |
| 3.2 关键问题分析 | 第29页 |
| 3.3 本章小结 | 第29-31页 |
| 第四章 深度神经网络模型构建及仿真分析 | 第31-49页 |
| 4.1 仿真数据集描述 | 第31-33页 |
| 4.1.1 获取原始数据集 | 第31-33页 |
| 4.1.2 数据集的预处理 | 第33页 |
| 4.2 构建用于EIT图像重建的深度神经网络模型 | 第33-38页 |
| 4.2.1 堆栈式稀疏自编码器网络结构 | 第33-35页 |
| 4.2.2 训练网络模型 | 第35-38页 |
| 4.3 优化网络模型 | 第38-44页 |
| 4.3.1 确定迭代次数范围 | 第39-40页 |
| 4.3.2 层数分析 | 第40-43页 |
| 4.3.3 学习率分析 | 第43-44页 |
| 4.4 仿真模型的图像重建结果分析 | 第44-48页 |
| 4.5 本章小节 | 第48-49页 |
| 第五章 基于深度神经网络模型的EIT成像实验验证 | 第49-57页 |
| 5.1 实验条件 | 第49页 |
| 5.2 实验数据集描述 | 第49-51页 |
| 5.3 EIT系统成像实验 | 第51-56页 |
| 5.4 本章小节 | 第56-57页 |
| 第六章 EIT深度神经网络模型的改进 | 第57-65页 |
| 6.1 实验数据预处理 | 第57-58页 |
| 6.1.1 建立实验测量数据与仿真数据的映射模型 | 第57-58页 |
| 6.1.2 训练实验测量数据与仿真数据的映射模型 | 第58页 |
| 6.2 EIT图像重建实验分析 | 第58-63页 |
| 6.3 本章小节 | 第63-65页 |
| 第七章 总结与展望 | 第65-67页 |
| 7.1 工作总结 | 第65页 |
| 7.2 研究展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 硕士期间发表论文和参加科研情况 | 第73-75页 |
| 致谢 | 第75页 |
