基于鲁棒正则化极限学习机的电容层析成像图像重建

张立峰,戴 力

(华北电力大学 自动化系,河北保定071003)

1 引 言

电容层析成像(electrical capacitance tomography,ECT)技术是新型的多相流可视化测量技术,具有无辐射、非侵入及实时性好等优点[1～5]。ECT图像重建算法可分为非迭代类及迭代类算法。非迭代类算法包括LBP算法、Tikhonov算法等,这类算法成像速度快,在一定程度上可以满足实时性的要求,但是算法精度不高；迭代类算法中最具代表性的是Landweber算法,这类算法的成像质量较高,但耗时较长且具有半收敛性。随着机器学习的发展,2004年Huang G B提出了极限学习机(extreme learning machine,ELM)[6,7],该网络具有易于实现、训练速度快等优点[8]。文献[9]将ELM应用于ECT图像重建[9],取得了一定的效果,但重建图像仍可进一步提升。Chen K等[10]于2017年提出了基于迭代重加权最小二乘法(iterative reweighted least squares,IRLS)的鲁棒正则化ELM,并将其应用于回归问题,取得了良好的效果。

为进一步提升基于ELM算法的ECT图像重建质量,本文将基于IRLS的鲁棒正则化ELM(robust regularized extreme learning machine,RELM)用于ECT图像重建,下文简称RELM-IRLS算法,并与传统的Landweber迭代算法及ELM算法进行比较分析,仿真与静态实验结果均表明所提出的基于l2-norm正则化的RELM-IRLS算法可较好地实现ECT图像重建。

2 ECT基本原理

2.1 ECT系统构成及工作原理

ECT系统一般由3部分组成：1) 电容传感器阵列;2) 数据采集单元;3) 图像重建、控制和显示的计算机系统[8]。ECT系统如图1所示。

图1 ECT系统结构图Fig.1 Structure diagram of ECT system

由电容传感器阵列获取被测对象的信息,然后由数据采集单元进行信号处理并送往计算机,计算机根据一定的图像重建算法,重建出被测对象某一截面的图像[11]。传感器由均匀分布在管壁的n个电极组成,可获得n(n-1)/2个独立电容测量值。……