一种基于深度学习的电阻抗成像方法

1.一种基于深度学习的电阻抗成像方法，其特征在于，包括如下步骤：S1：获取待测区域的原始边界测量电压数据集，利用有限元法算出待测区域电导率的初始分布序列，归一化处理后形成对应的训练数据集；S2：对步骤S1得到的电导率初始分布序列添加标准正态分布的噪声，利用深度学习网络，使用电导率分布的训练数据集训练变分自动编码器，以获取EIT图像的先验知识；深度学习网络的额外损失函数L为：其中，γ为电导率分布，Ψ为解码器函数，Φ为编码器函数，D kl 为Kullback-Leibler发散损失项，m为迭代总次数，n为当前迭代次数，γ n 为电导率，μ n 为Φ的均值，σ n 为Φ的标准差，N(0,1)为标准正态分布；S3：利用深度学习网络，根据步骤S1中的边界测量电压数据集，使用步骤S2训练好的变分自动编码器中的编码器生成网络中的隐藏层数据，以获取输入的电压数据特征；S4：根据步骤S1中的边界测量电压数据集，利用步骤S3训练好的电压数据特征和步骤S2中训练好的变分自动编码器中的解码器，建立边界测量电压数据集和对应电导率分布序列之间的映射关系。 2.根据权利要求1所述的一种基于深度学习的电阻抗成像方法，其特征在于，步骤S1中的待测区域的原始边界测量电压数据集是通过16个电极阵列获取的。 3.根据权利要求1所述的一种基于深度学习的电阻抗成像方法，其特征在于，还包括如下步骤：S5：通过步骤S1获得的未处理过的边界测量电压数据集和步骤S4所建立的训练好的映射关系，得到最终的电导率分布。 4.根据权利要求3所述的一种基于深度学习的电阻抗成像方法，其特征在于，所述步骤S4与所述步骤S5之间还包括步骤S41：重复步骤S1～S4，对整个模型加以训练。