一种基于广义回归神经网络的电阻抗成像方法技术

本发明专利技术公开了一种基于广义回归神经网络的电阻抗成像方法，所述方法包括：对待测场域使用有限元法进行三角形剖分，求解正问题，建立FEM模型；搭建系数加权广义回归神经网络，并构建系数加权广义回归神经网络成像模型，输出电阻抗分布结果；利用粒子群算法对系数加权广义回归神经网络成像模型中的平滑因子进行寻优计算，得到平滑因子的最优解；代入平滑因子的最优解得到优化后的电阻抗成像模型，求解电阻抗分布并进行图像重构。通过对传统广义回归神经网络的模式层的神经元设置系数权重，得到系数加权广义回归神经网络，从而达到抑制或去除成像伪影的目的；再结合粒子群优化算法，利用粒子群算法优化系数加权广义回归神经网络的平滑因子，改变由于网络平滑因子选择不当而导致的成像精度不足的问题，提升网络的非线性逼近能力，进而提高图像重建的质量。进而提高图像重建的质量。进而提高图像重建的质量。

【技术实现步骤摘要】
一种基于广义回归神经网络的电阻抗成像方法


[0001]本专利技术涉及一种电阻抗成像方法，特别是一种基于广义回归神经网络的电阻抗成像方法。

技术介绍

[0002]电阻抗断层成像(EIT)技术，是以生物体内电阻抗的分布或变化为成像目标的一种新型无损伤生物医学检测与成像技术。它通过对生物体外加一定的安全激励电流，测得生物体表面电压信号来重构生物体的阻抗分布，具有简单、无创、廉价的优势，对疾病的早期预防、诊断、治疗及医疗普查都具有十分重大的意义。
[0003]EIT通常包括正问题和逆问题的求解。EIT的正问题，是已知目标内部的电阻抗分布，求解目标边界的电压分布；EIT的逆问题是根据目标边界的测量电压重构目标内部的阻抗分布。其中用于求解EIT逆问题的图像重建算法是电阻抗成像技术最终成像效果优劣的关键所在。从应用数学的角度来看，EIT逆问题是个求解非线性积分方程的问题，具有严重的非线性、欠定性和病态性的特点。
[0004]传统的图像重建算法往往不能很好的针对这些特点进行EIT逆问题的求解，导致成像精度较差，难以获得令人满意的结果。例如线性近本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于广义回归神经网络的电阻抗成像方法，其特征在于，包括如下步骤：步骤1，对待测场域使用有限元法进行三角形剖分，求解正问题，建立FEM模型；步骤2，搭建系数加权广义回归神经网络，并构建系数加权广义回归神经网络成像模型，输出电阻抗分布结果；步骤3，利用粒子群算法对系数加权广义回归神经网络成像模型中的平滑因子进行寻优计算，得到平滑因子的最优解；步骤4，代入平滑因子的最优解得到优化后的电阻抗成像模型，求解电阻抗分布并进行图像重构。2.根据权利要求1所述的一种基于广义回归神经网络的电阻抗成像方法，其特征在于，步骤2中所述系数加权广义回归神经网络，包括：输入层、模式层、求和层和输出层；其中所述输入层为待测场域的边界电压，即正问题求解结果；所述模式层采用高斯函数处理输入数据，并为每一个模式层神经元设置了系数权重α
i
；所述输出层为待测场域的电阻抗分布，即逆问题求解结果。3.根据权利要求2所述的一种系数加权广义回归神经网络，其特征在于，所述模式层在保留传统广义回归神经网络结构的前提下，为模式层神经元设置了系数权重α
i
，得到系数加权广义回归神经网络。其中系数加权广义回归神经网络模式层的传递函数为：式中：p
i
代表模式层第i个神经元对应的输出；N代表学习样本的数目；X代表模型的输入；X
i
代表第i个神经元对应的学习样本；ε代表平滑因子；i为模式层神经元的个数。4.根据权利要求3所述的系数加权广义回归神经网络的模式层，其特征在于，所述系数权重...

【专利技术属性】
技术研发人员：许川佩，张宇涛，李腾飞，林泽姿，赵汝文，董庆贺，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：