ECT图像重建算法的FPGA实现

ETC图像算法

２５７２

２０１０，３１（１１）

计算机工程与设计ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄ

Ｄｅｓｉｇｎ

开发与应用

ＥＣＴ图像重建算法的ＦＰＧＡ实现

李岩１，

郝建青１，

孙永钢２，

冯

莉１，张礼勇３

（１．哈尔滨理工大学计算机科学与技术学院，黑龙江哈尔滨１５００８０；２．黑龙江省烟草工业有限公司，

黑龙江哈尔滨１５０００１；３．哈尔滨理工大学测控技术与通信工程学院，黑龙江哈尔滨１５００８０）

摘要：支持向量机（ｓｖＭ）在解决小样本，非线性及高维模式识别问题等方面有许多优势，但在处理大规模数据集时训练速度缓慢。针对以上问题提出了ＳＶＭ学习算法硬件化的设计，它可以在保证向量机学习速度的同时，提高支持向量机的硬件资源利用效率。ＥＣＴ图像重建实验结果表明，在不影响分类精度的情况下，硬件实现有效减少了运行时间，在一些实时性要求较高的场合该方法的优点将尤为明显。

关键词：支持向量机：电容层析成像；图像重建；硬件化；现场可编程门阵列中图法分类号：ＴＰ３９１．４１

文献标识码：Ａ

文章编号：１０００．７０２４（２０１０）１１．２５７２．０５

ＦＰＧＡｉｍｐｌｅｍｅｎｔａｔｉｏｎｏｆＥＣＴｉｍａｇｅｒｅｃｏｎｓｔｒｕｃｔｉｏｎａｌｇｏｒｉｔｈｍ

ＬＩＹａｎｌ，ＨＡＯＪｉａｎ—ｑｉｎ９１，ＳＵＮＹｏｎｇ—ｇａｎ９２，ＦＥＮＧＬｉｌ，ＺＨＡＮＧＬｉ－ｙｏｎ９３

（１．ＣｏｌｌｅｇｅｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＨａｒｂｉｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅ

ａｎｄ

Ｔｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ１５００８０，Ｃｈｉｎａ；

２．ＨｅｉｌｏｎｇｊｉａｎｇＰｒｏｖｉｎｃｅＴｏｂａｃｃｏＩｎｄｕｓｔｒｙＬｉｍｉｔｅｄＣｏｍｐａｎｙ，Ｈａｒｂｉｎ１５０００１，Ｃｈｉｎａ；３．ＣｏｌｌｅｇｅｏｆＭｅａｓｕｒｅ－ＣｏｎｔｒｏｌＴｅｃｈｎｏｌｏｇｙａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎｓＥｎｇｉｎｅｅｒｉｎｇ，ＨａｒｂｉｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ１５００８０，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｓｕｐｐｏｒｔ

ｖｅｃｔｏｒ

ｍａｃｈｉｎｅ（ＳＶＭ）ｐｒｅｓｅｎｔｓｅｘｃｅｌｌｅｎｔｐｅｒｆｏｒｍａｎｃｅｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｓｗｉｔｈｓｍａｌｌｓａｍｐｌｅ，ｎｏｎｌｉｎｅａｒａｎｄｔｈｅ

ｐｒｏｂｌｅｍｓｏｆｈｉｇｈ—ｄｉｍｅｎｓｉｏｎｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ，ｂｕｔｉｔｈａｓｓｌｏｗｔｒａｉｎｉｎｇｓｐｅｅｄｔｏｄｅａｌｗｉｔｈｌａｒｇｅａｍｏｕｎｔｏｆｄａｔａ．Ｓｏ，ａｒｌｅｗｄｉｇｉｔａｌ

ｓｔｒｕｃｔｕｒｅ

ｆｏｒ

ＳＶＭｌｅａｒｎｉｎｇ，ｗｈｉｃｈ

ｃａｌｌ

ｇｅｔａ

ｇｏｏｄｐｅｒｆｏｒｍａｎｃｅｗｉｔｈｌｅｓｓｈａｒｄｗａｒｅ

ｒｅｓｏｕｒｃｅ

ｗｈｉｌｅｔｈｅｐｒｏｃｅｓｓｓｐｅｅｄｉｓ

ｎｏｔｒｅｄｕｃｅｄ．Ｔｈｅ

ＥＣＴ

ｉｍａｇｅｒｅｃｏｎｓｔｒｕｃｔｉｏｎｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｈａｒｄｗａｒｅｉｍｐｌｅｍｅｎｔａｔｉｏｎｏｆｔｈｅａｌｇｏｒｉｔｈｍｒｅｄｕｃｅｓｔｈｅｒｕｎｎｉｎｇｔｉｍｅｅｆｆｉ－

ａｃｃｕｒａｃｙ，ａｎｄｔｈｅａｄｖａｎｔａｇｅｓｏｆｔｈｉｓｍｅｔｈｏｄｗｉｌｌｂｅｐａｒｔｉｃｕｌａｒｌｙｓｉｇｎｉｆｉｃａｎｔｉｎｏｃｃａｓｉｏｎｓｏｆｒｅａｌ—

ｃｉｅｎｔｌｙ，ｎｏｔｄｅｃｒｅａｓｉｎｇｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎ

ｔｉｍｅｒｅｑｕｉｒｅｍｅｎｔｓ．

Ｋｅｙｗｏｒｄｓ：ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ；ｅｌｅｃｔｒｉｃａｌｃａｐａｃｉｔａｎｃｅｔｏｍｏｇｒａｐｈｙ；ｉｍａｇｅｒｅｃｏｎｓｔｒｕｃｔｉｏｎ；ｈａｒｄｗａｒｅｉｍｐｌｅｍｅｎｔａｔｉｏｎ；ＦＰＧＡ

０引言

ｃａｐａｃｉｔａｎｃｅ

但受到本质是串行的计算机系统的制约，这种方式大大限制了其在一些实时性要求较高的工业场合中的应用。而用硬件

ｔｏｍｏｇｒａｐｈｙ，ＥＣＴ），它

实现此算法，可以充分利用算法内在的并行特征，可在很大程度上提高算法的运行速度。另外，迅猛发展的ＦＰＧＡ芯片技术，为实现较为复杂的设计提供了丰富的片内资源跏。本文利用Ｘｉｌｉｎｘ公司的ＦＰＧＡ实现了基于ＳＶＭ的ＥＣＴ图像重建算法。实验结果表明，此硬件化算法在保持剖分单元分类精度的情况下，提高了图像的重建速度，使得支持向量机整合到嵌入式系统并为电容层析成像系统服务成为可能。

１

电容层析成像（ｅｌｅｃｔｒｉｃａｌ

能对封闭的工业过程管道、容器等的内部两相流物场运动状态实现可视化实时监测，为两相流参数测量提供了一种可行的新方法Ⅲ。但由于受独立电容测量值少、系统敏感场的“软场”特性及待解问题的非线性等因素的限制，使ＥＣＴ系统图像重建算法的求解有一定的困难，距离工业应用的要求比较远幽。支持向量机（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓ，ＳＶＭ）是由ＶＶａｐｉｋ等提出的一种样本学习技术，它基于结构风险最小化原则，具有良好的泛化能力和分类精确性捌。同时，它在解决小样本学习、非线性以及高维模式识别等问题中表现出特有的优势川，为ＥＣＴ系统的图像重建提供了有力手段。

近几年来，对ＳＶＭ算法的研究主要集中在软件实现上，收稿日期：２００９．０９．１６；修订日期：２０１０．０１．２５。

ＳＶＭ算法描述

ＳＶＭ虽然是从线性可分情况下发展而来的，但它最有价

值的应用是用来解决非线性可分问题，即对不可分离模式找到最优超平面。ＳＶＭ通过求解二次规划使分类间隔最大化，

基金项目：国家自然科学基金项目（６０５７２１５３）；黑龙江省自然科学基金项目（Ｆ２００５０５）：黑龙江省教育厅基金项目（１１５１１０７８）。作者简介：李岩（１９６６一），男，黑龙江哈尔滨人，硕士生导师，研究方向为电容层析成像；生，研究方向为电容层析成像；

人，硕士研究生，研究方向为电容层析成像；

Ｅ－ｍａｉｈ

郝建青（１９８３一），女，河北石家庄人，硕士研究

冯莉（１９８２一），女，黑龙江鹤岗

孙永钢（１９６４－－），男，黑龙江哈尔滨人，工程师，研究方向为嵌入式系统；

张礼勇（１９３９一），男，黑龙江哈尔滨人，博士生导师，研究方向为自动测试系统及故障诊断技术。

ｌｉｙａｎ＠ｈｒｂｕｓｔ．ｅｄａ．ｃｎ

万方数据

ETC图像算法

李岩，郝建青，孙永钢，等：ＥＣＴ图像重建算法的ＦＰＧＡ实现

２０１０，３

Ｉ（１１）

２５７３

求得～最优分类超平面

以ｘ）＝∞ 礅舢

（１）

式中：０３——分类超平面的法向量；融。爿）——核函数，是输入

向量从输入空间到高维特征空间的转换函数：ｂ——偏置。

具体地说，当样本集线性不可分时，寻找最优超平面问题可表示为带不等式约束的二次函数寻优问题

ｍ砸专怕１１２＋Ｃ∑石

ｓ．ｔ弗（∥须ｘｆ＋６））≥ｌ～石

（２）

６ｔ＞０

ｉ＝ｌ，…∥

式中：９㈨——将样本五从输入空间到高维特征空间的映射；

Ｃ知——对于分类样本的惩罚参数；石——解决非线性不可分

情况引入的松弛变量。

大多数方法不直接求解式（２），而是转化为其对偶问题再求解

Ⅳ

，

Ⅳ

Ⅳ

ｎｆｍ∑∞一｛∑∑嘶吗弘∞七∞瑚

ｄ

』一１

●ｆ－ｌＪ－ｔ

Ｓ．ｔ∑儡朋＝０

（３）

Ｏ≤∞≤Ｃ，ｉ＝１，ｏｏⅣ

式中：非负变量西＿Ｉ嗣ｇｒａｎｇｅ乘子，同时，０３＝∑啦∞矿∽。

求解上述问题，得到一个两类分类器

ｙ＝ｓｇｎｆ∑∞乃如加Ｉ

ｒⅣ１

“）

Ｌ

ｆｌｆ

Ｊ

若旺加，对应的蕾为支持向量，否则为非支持向量。由此

可知，ＳＶＭ的工作性能与输入向量维数无关，只取决于支持向量的个数，故式“）又等价于

ｙ＝ｓ驴［音乃如一舢］

（５）

式中：工——待分类样本：ｓ矿——支持向量集，它是训练样本集

的一个子集。

２硬件实现

硬件总体结构图如图１所示，共包含５个主模块：ＦＳＭ以及计数器单元Ｃｏｕｎｔｅｒ、Ｔｅｓｔ－Ｂｌｏｃｋ、ＳＶＭ．Ｂｌｏｃｋ、Ｂｉａｓ—Ｂｌｏｃｋ、Ｃｏｎ．Ｂｌｏｃｋ。采用模块间直接互连的方式，避免了文献［６】中的单一总线传递造成的时间浪费。

图１总体结构

下面介绍各个模块的功能：

万方数据

（１）ＦＳＭ模块以及计数器单元Ｃｏｕｎｔｅｒ。此模块是整个系

统的控制模块，它包括状态机、调控各个模块所需的信号，同时控制着各个计数器。ＦＳＭ的控制信号并行传输给各个模块，为数据的并行传输提供了条件。其中，状态机的转换情况见图２。

Ｐｉｘ！一Ｏ，

开始下一个剖分单元的运算

图２

ＦＳＭ状态机的状态转换

当ｓｔａｒｔ信号由低变高时，将训练样本和待测样本分别输入Ｋｅｒｍａｘ．Ｂｌｏｃｋ和Ｔｅｓｔ－Ｂｌｏｃｋ模块。由Ｋｅｒｍａｘ．Ｂｌｏｃｋ计算出

赫赛矩阵Ｑ的值ｑｕ＝＂Ｉｍ 劫送入ＳＶＭ－Ｂｌｏｃｋ主模块中，随

后开始对样本集进行训练。在ｅｏｍｐｕｔｅ－ｂ状态得到ｂ的初始值，然后把ｂ和ａ－－－０一起送入ＳＶＭ．Ｂｌｏｃｋ模块，在ｅｏｍｐｕｔｅ－ａ状态得到所有样本对应的ａ＋值后进入ｃｏｍｐｕｔｅ－ｃｏｎ状态计算ＣＯｎ的值。计算完毕再次进入ｃｏｍｐｕｔｅ－ｂ时，ＦＳＭ根据ＣＯｎ值控制

Ｂｉａｓ．Ｂｌｏｃｋ更新ｂ值，随后再次进入ｃｏｍｐｕｔｅ．ａ进行新ｂ值下的ａ 计算。以上过程持续进行直到ｃｏｎ－－Ｏ或者区间上下界差值小于选定的误差范围时，一个剖分单元的训练过程结束。然后，将ｂ和向量ａ存入ＳＶＭ．Ｂｌｏｃｋ的存储器中，判断Ｐｉｘ计数器

是否为零，不为零则开始下一个剖分单元的训练，否则ＳＶＭ－Ｂｌｏｃｋ把存储器中的计算结果输送到Ｔｅｓｔ－Ｂｌｏｃｋ，进入决策状态。决策过程结束后把分类结果输出，进入ｉｄｌｅ空闲状态。

Ｃｏｕｎｔｅｒ包含６组计数器，分别是行计数器、列计数器，用来对存储赫寒矩阵Ｑ的ＲＡＭ进行地址读写以及状态机的转换；统计已运算训练样本数的Ｓａｍｐ．ｔｒａｉｎ计数器；产生ＲＡＭｌ和ＲＡＭ２的选择信号的Ｓｅｌｅ计数器；统计已完成测试样本数的Ｓａｍｐ．ｔｅｓｔ计数器：统计已运算支持向量数的ＳＶ计数器；统计已处理剖分单元的Ｐｉｘ计数器。

（２）ＳＶＭ－Ｂｌｏｃｋ模块。ＳＶＭ．Ｂｌｏｃｋ训练模块是整个系统的核心计算部分，作者采用文献【７】中的固定阈值串行算法，如下所示，核心计算部分电路图见图３。

ＳＶＭ最优解核心算法：

首先，利用固定偏置方法求解最优解ａ ，具体函数为：ＳＶＭ（Ｏ，ｂ，ａ）ｉｎｐｕｔ：Ｑ，ｂ，ａ

ｎ＝ｒ－ｂ；野＝２／Ｎｍａｘ幻Ｄ

ｅｎｄｔｒａｉｎ＝Ｏ；行＝０：ｆ＝１ｗｈｉｌｅ！ｅｎｄｔｒａｉａ

｛ｗｈｉｌｃ（ｆ＜＾，＋１）

ETC图像算法

ｎｏｃ＿然。几＝

２５７４

２０１０，３１（１１）

计算机工程与设计ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＤｅｓｉｇｎ

图３ＳＶＭ．Ｂｌｏｃｋ硬件结构

ｂ＝一∑劬ａＦ＋ｒｇ

』２Ｉ

疗ｌ＝戎＋ｑｇｊ

矿１－ｍａｘ（ｏ，ｒａｉｎ（矿１，ｃ））；

，＝什ｌ；｝

ｆ－－１；

ｉｆＶｆ（∥１，Ｃ）一＜ｔ｛ｅｎｄｔｒａｉｎ－－１｝；

ｅｌｓｅ｛ｎ＝时１｝：｝

ｏｕｔｐｕｔ：ａ＊－－∥１

然后，通过调整阈值ｂ来优化矿，具体算法为：

ｂｌ＝ｂ＝－Ｉ；ｂｕ－－＋ｌ；ａ－－０：ｅｎｄｂ－＝ｏ；

ａ＊＝ＳＶＭ（Ｑ，ｂ，ａ）；ｃｏｎ＝ｓｇｎ（ｙｒａ。）；口＝矿；

ｉｆｃｏｎ＜Ｏ

｛ｗｈｉｌｅｃｏｎ＜Ｏ

｛缸＝６；ｂ＝２６；ｂｌ＝２ｂｌ；

ａ＊＝ＳＶＭ（Ｑ，ｂ，ａ）；ｃｏｎ＝ｓｇｎ（ｙｒａ‘）；ａ－－ａ＊；｝）

ｅｌｓｅｉｆｃｏｎ＞Ｏ

｛ｂ＝ｂｕ；矿＝ＳＶＭ（Ｑ，ｂ，ａ）；ｃｏｎ＝ｓｇｎ（ｖＴａ＋）；ａ－－－－ａ’；

ｉｆｃｏｎ＞Ｏ

｛ｗｈｉｌｅ

ｃｏｎ＞Ｏ

｛ｂｌ＝６：ｂ＝２ｂ；妊２ｂｕ；

口‘＝ｓＶＭ（Ｑ，ｂ，ａ）；ｃｏｎ＝ｓｇｎ（ｙｒａ’）；口邓’；））

ｅｌｓｅ｛ｅｎｄｂ＝ｌ；｝ｗｈｉｌｅ！ｅｎ曲｛ｂ＝（ｂｌ＋ｂｕ）／２；

ａ＊＝ＳＶＭ（Ｑ，ｂ，∞；ｃｏｎ＝ｓｇｎ（ｖ７ａ＋）；ａ－－－－ａ’；ｉｆｃｏｎ＝ｏｌＩ（ｂｕ—ｂ／）＜￡．｛ｅｎｄｂ＝ｌ；｝

ｅｌｓｅ

ｉｆｃｏｎ＜Ｏ｛ｂｕ＝６；）

ｅｌｓｅ｛ｂ／＝６：｝｝

ｏｕｔｐｕｔ：ａ＋气，１，６：

万方数据

由核心算法的流程可知，此模块是以串行方式实现的，但由于总体结构采用并行传输方式，可以将数据的计算与传输存储流水化，计算的同时还可以进行各个变量的传输。另外，采用此结构可避免电路与样本的直接关系，缩减了硬件使用面积。

预先设定的内部ＲＡＭ接收到矩阵Ｑ，由于采用串行计算方式故只使用一组ＲＡＭ。累加器Ａｃｅ．ｒｅｇ最终计算出盛，其内部电路图如图４所示。ｓｈｉｆｔ．ｒｅｇ将昏移位并与群相加得到∥１。输入信号ｓｈｉｆｔ决定ｓｈｉｆｔ－ｒｅｇ需要的移位数，这里ｓｈｉｆｔ＝

ｌ０９２Ｎ－１。

图４累加器内部结构

比较器ｃｏｍｐａｒｅ和选择器ｍｕｘｓ用来将∥１限制在【０，Ｃ】之间，至此得到第肿ｌ步的∥１，其临时保存在ａｌｐａ寄存器中，而ａｌｐａ－ｐｒｅ临时保存上一步的耐。当矿１计算完毕，接着ＳＶＭ－Ｂｌｏｃｋ

开始计算洲，直到簖１为止。由ｓｅｌｅ信号来选择ＲＡＭＩ和

ＲＡＭ２，这两者配合完成数据传输与计算的并行执行，且使模块面积得到降低。最后，ｅｎｄｔｒａｉｎＩ保存了各个国的比较结果，若ｅｎｄｌ］＇ａｉｎＩ所有值均为１时输出ｅｎｄｔｒａｉｎ－－Ｉ，此时当前ＳＶＭ．Ｂｌｏｃｋ运算结束。

（３）Ｃｏｎ—Ｂｌｏｃｋ和Ｂｉａｓ—Ｂｌｏｃｋ模块。这两个模块是紧密相连的，分别用来计算Ｃｏｎ＝ｙｒａ值和ｂ值，硬件结构如图５和图６所示。

图５Ｃｏｎ．Ｂｌｏｃｋ硬件结构

Ｃｏｎ＿Ｂｌｏｃｋ模块中，累加器Ａｃｃ＿ｃｏｎ根据∞值的正负将ａ威

豳的补码进行累加并存储于Ａｃｅ

，最终得到Ｃｏｎ

后，ＦＳＭ根据Ｃｏｎ．Ｂｌｏｃｋ送来的Ｃｏｎ值作出相应选择，若Ｃｏｎ＝

０，则表示ｂ的最优解找到，整个训练过程结束，将结束信号ｅｎｄｃｏｎ发送到Ｂｉａｓ—Ｂｌｏｃｋ模块，开始样本的决策过程；否则ＦＳＭ控制Ｂｉａｓ－Ｂｌｏｃｋ更新阈值ｂ，并将更新后的ｂ送给ＳＶＭ．Ｂｌｏｃｋ，模块进行下一步运算。

ETC图像算法

ｐｕ．分器存寄位移为

李岩，郝建青，孙永钢，等：ＥＣＴ图像重建算法的ＦＰＧＡ实现２０１０，３１（１１）

２５７５

图６

Ｂｉａｓ．Ｂｌｏｃｋ硬件结构

而Ｂｉａｓ．Ｂｌｏｃｋ模块接收到ｅｎｄｃｏｎ＝１信号则直接使ｅ，ｎ曲ｉｌｏｗ，ｂ和

ｂｉａｓ

（４）Ｔｅｓｔ－Ｂｌｏｃｋ。当训练过程结束后，由ＳＶＭ—Ｂｌｏｃｋ把计算结果ｂ和ａ分别输送至Ｔｅｓｔ．Ｂｌｏｃｋ和Ｋｅｒｍａｘ—Ｂｌｏｃｋ。后者利用训练得到的口和ｂ值，从训练样本中筛选出支持向量并连同对

图７决策过程硬件结构

将支持向量知、对应的样本目标勘、测试样本ｘ和Ｌａｒａｎｇｅ

万方数据

Ｄ操作。图７中还包含一个Ａｃｃ累加器，它最终计算出对应剖

分单元的决策函蜘。又知，最终分类结果ｙｆｆｉｓｇｎ怖）），若

ｍ）≥０，尸１，否则Ｙ＝一１，即只需判Ｉ折Ａｘ）值的最高位的符号，

故图７中只将每个剖分单元对应决策函数值的ＭＳＢ输出。

ＫｅｒＣｏｍｐ部分代表核函数计算，本文选取了高斯核函数

地劫＝ｅｘｐ（－ＩｆＸａ－－Ｘ／ｆ１２／（２０９）。在硬件算法设计中，指数函数

的计算是既费时又占用面积的操作，很难有效实现。而采用ＣＯＲＤＩＣ嗍算法可将许多复杂的算术运算化成简单的加法、移位和查找表操作，便于硬件实现。下面简单介绍一下核函数中指数函数的实现过程。

文献［８】对ＣＯＲＤＩＣ算法进行了详细阐述，给出了统一的迭代表达式，现已得到普遍认可和广泛应用。表达式如下

，新¨２而一埘仉２一‘ｙｉ

｛ｎｌ＝ｙｆ＋ｏ；２１五

【靠。：乃一咖ｈ—ｔ（２一，

（６）

式中，ｍ＝一ｌ，当玉≥０时，Ｏｆｔ＝＋ｌ；而＜０，则仉＝．１。式（６）所对应的硬件电路图见图８所示。

口ｉ＝ｓｇｎ（ｚｉ）

图８指数迭代过程硬件电路

当却ｔ趋近于Ｏ值时，迭代终止，此时孙ｔ≈ｃｏｓｈ０，ｙｔ＋ｔ≈ｓｉｎｈ０，最终求出矿＝ｓｉｎｈ０＋ｃｏｓｈ０。受ａｒｃｔａｎｈ（２。）取值范围的限制，ＣＯＲＤＩＣ算法只适用于ｌ引≤１．１１８１７的情况，故在ＥＣＴ系统实际应用之前应该对各样本值进行归一化处理，以保证硬件执行过程的正确性。

３实验结果

本文采用１２电极电容敏感阵列。１进行了仿真实验，通过有限元方法计算得到６６个独立电容分量，敏感场采取三角剖分形式，剖分单元为１９２个。其中，在整个场域中选取４００个物质分布的流型样本，包括环型流、层流、核心流及多块流等典型流型，其中２００个作为训练样本。

Ｍａｔｌａｂ运行在ＰｅｎｔｉｕｍＩＶ２．６Ｇ／２５６Ｍ的ＰＣ机上，ＦＰＧＡ采

用Ｘｉｌｉｎｘ公司Ｖｉｒｔｅｘ．ＩＩＰｒｏ系列的ＸＣ２ＶＰ３０。如表１所示，利用硬件系统实现～个剖分单元的训练比用Ｍａｔｌａｂ程序来实现

快了３个数量级，同时，表１也列出了ｃ值对分类精度及训练时间的影响，由表可知此图像重建实验中Ｃ值取ｌｏｏ时分类错误率最低且运行时间最短。

另外，将本文提出的核心计算部分ＳＶＭ—Ｂｌｏｃｋ与文献【４】

ａｓ＝ｌ，整个训练结束。上文中通过调整阈值ｂ来优化矿的算法可知，当ｂｕ－ｂｌ＜．岛时ｃｏｍｐ也会使ｅｎｄｃｏｎ＝ｌ。其中，ｃｏｍｐ是一个判断停止条件的比较器；ｂ别用来对变量６，，妇及ｂ进行赋值。

应的样本目标勘一起送入Ｔｅｓｔ－Ｂｌｏｃｋ。又已知测试样本在系

统刚开始工作时就已经输送并储存于Ｔｅｓｔ．Ｂｌｏｃｋ，至此ＳＶＭ的决策过程开始。决策过程主要硬件结构图见图７所示。

乘子儡分别送入Ｔｅｓｔ－Ｂｌｏｃｋ模块的ＲＡＭ中，阈值ｂ存入一寄存器。ＫｅｒＣｏｍｐ单元计算出五与工的核函数（设结果为Ｘ），与此步并行执行，帅和西做乘积运算（设结果为Ｄ）。接下来，执行Ｘ‘

ETC图像算法

２５７６

２０１０，３１（１１）计算机工程与设计ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＤｅｓｉｇｎ

提供了丰富的片内资源。本文用硬件描述语言在Ｘｉｌｉｎｘ公司的ＦＰＧＡ上实现了基于ＳＶＭ的图像重建算法的训练和决策，同时介绍了硬件系统的总体结构及各个功能模块的工作过程。最后的实验结果显示，当ＥＣＴ系统中样本数量增大时，此硬件系统所消耗的ＦＰＧＡ资源量的增加非常有限，而执行时间高出软件所需时间的３个数量级，保持了很高的训练速度，同时保持了较好分类精度，在ＥＣＴ实时监测方面具有较好的应用前景。

参考文献：

［Ｉ】

ＫｏｒｔｓｃｈａｋＢｒａｎｄｓｔａｔｔｅｒＢ．Ａ

ＦＥＭ—ＢＥＭａｐｐｒｏａｃｈｕｓｉｎｇｌｅｖｅｌ－

ｓｅｔｓ

ｉｎｅｌｅｃｔｒｉｃａｌｃａｐａｃｉｔａｎｃｅｔｏｍｏｇｒａｐｈｙ［Ｊ］．Ｊｏｕｒｎａｌ

ｆｏｒＣｏｍｕ—

ｔａｔｉｏｎａｎｄＭａｔｈｅｍａｔｉｃｓｉｎＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２００５，２２（２）：

５９１．６０５．

【２】张辉，刘存，张亚利．提高ＥＣＴ系统成像质量和速度的方法【Ｊ】．仪器仪表学报，２００４，２５（Ｓ１）：８０．８１．

［３】Ｍｉｃｈａｅｌ

Ｅ

Ｍａｖｒｏｆｏｒａｋｉｓ，ＳｅｒｇｉｏｓＴｈｅｏｄｏｒｉｄｉｓ．Ａｇｅｏｍｅｔｒｉｃａｐ－

ｐｒｏａｅｈ

ｔｏ

ｓｕｐｐｏｒｔ

ｖｅｃｔｏｒ

ｍａｃｈｉｎｅ（ＳＶＭ）ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ＩＥＥＥ

Ｔｒａｎｓａｃｔｉｏｎｓ

ｏｎ

Ｎｅｕｒａｌ

ＮｅｔｗｏｒＬ２００６，８（３）：１１７－１２９．

Ｎ－－３２

Ｎ－－－６４

Ｎ＝２００

【４】许建华，张学工，李衍达．支持向量机的新发展【Ｊ】．控制与决策，

ｄｓｖｍ．ｂｌｏｃｋ２９５０（２１．５％）ｌ５４３９（３９．７％）ｌ１１０３０（８０．５％）ＳＶＭ．Ｂｌｏｃｋ

５８３“．２６％）ｌ５９１（４．３２％）ｌ

６０４（４．４１％）

２００４，１９：４８１－４８４．

【５】楮振勇，齐亮，田红心，等．ＦＰＧＡ设计及应用［Ｍ】．西安：西安电子科技大学出版社，２００６．

【６】ＡｎｇｕｉｔａＤ，ＢｏｎｉＡ，Ｒｉｄｅｌｌａ

Ｓ．Ａｄｉｇｉｔａｌａｒｃｈｉｔｅｃｔｕｒｅｆｏｒｓｕｐｐｏｒｔｖｅ＿

ｃｔｏｒ

ｍａｃｈｉｎｅｓ：Ｔｈｅｏｒｙ，ａｌｇｏｒｉｔｈｍ，ａｎｄＦＰＧＡｉｍｐｌｅｍｅｎｔａｔｉｏｎ［Ｊ］．

ＩＥＥＥＴｍｎｓａｃｔｉｏｎｓ

Ｏｉｌ

Ｎｅｕｒａｌ

Ｎｅｔｗｏｒｋｓ，２００３，１４（５）：９９３－１００９．

【７】王嗣平．一种可伸缩的支持向量机的硬件实现方法【Ｊ】．浙江大学学报（理学版），２００９，３６（３）：２．３．

【８】

Ｖｏｉｄｅｒ

Ｊ．Ｔｈｅ

ＣＯＲＤＩＣｃｏｍｐｍｉｎｇｔｅｃｈｎｉｑｕｅ［Ｊ］．ＩＲＥＴｒａｍＣｏｍ－

ｐｕｔ，１９５９（９）：３３０ ３３４．［９】

王雷．电容层析成像系统的研制及其在两相流参数检测中的应用研究【Ｄ】．杭州：浙江大学博士论文，２００３．

（上接第２４５４页）［８】

宋慧慧，陈健，阔永红．ＯＦＤＭ盲信道估计的子空间方法［Ｊ】．技（２）：６７０－６８５．术前沿，２００８（１０）：６７—７０．

［１３】ＨｃｅｈｅｒＥＡ

ｓｔａｔｉｓｔｉｃａｌｄｉｓｃｒｅｔｅ－ｔｉｍｅｍｏｄｅｌｆｏｒｔｈｅ

ＷＳＳＵＳｍｕｌ—

【９】Ｈｕａｎｇｘｕｃｊ蚰，Ｂｉ８０．ｊｉｅ，ＹｈＳｏｎｇｙｕ．Ａｎｅｗｓｕｂｓｐａｃｅａｌｇｏｒｉｔｈｍ

ｔｉｐａｔｈ

Ｃｈａｎｎｅｌ［Ｊ］．ＩＥＥＥ

Ｔｒａｎｓａｃｔｉｏｎｓ

ｏｉｌ

Ｖｅｈｉｃｕｌａｒ

Ｔｅｃｈｎｏｌｏｇｙ，

ｏｆｂｌｉｎｄｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎｆｏｒ

ＯＦＤＭｓｙｓｔｅｍｓ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇ

１９９２，４１（４）：４６１－４６８．

ｏｆｔｈｅｌ４ｔｈＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍ

ｏｎ

Ｐｅｒｓｏｎａｌ，Ｉｎｄｏｏｒ

【１４】ＮｉｋｏｌａｙＫｏｓｔｏｖ．Ｍｏｂｉｌｅｒａｄｉｏｃｈａｎｎｅｌｓｍｏｄｅｌｉｎｇｉｎ

Ｍａｔｌａｂ［Ｊ］．

ａｎｄＭｏｂｉｌｅ

ＲａｄｉｏＣｏｍｍｕｎｉｃａｔｉｏｎＰｒｏｃｅｅｄｉｎｇｓ，２００３：ｌ１０５－

ＲａｄｉｏＥｎｇｉｎｅｅｒｉｎｇ，２００３，１２（４）：１２—１６．

１１０８．

［１５】张贤达．矩阵分析与应用［Ｍ】一Ｅ京：清华大学出版社，２００５．

【ｌＯ】孔令坤．基于ＩＥＥＥＳ０２．１６标准的ＯＦＤＭ系统信道估计性能分

［１６】ＲａｐｐａｐｏｒｔＴＳ．Ｗｉｒｅｌｅｓｓｃｏｍｍｕｎｉｃａｔｉｏｎｓ

ｐｒｉｎｃｉｐｌｅｓ

ａｎｄｐｒａｃｔｉｃｅ

析［Ｊ】．北京电子科技学院学报，２００６，１４（２）：４６－５０．【Ｍ】．北京：电子工业出版社，２００４．

［１１】Ｊｅｏｎｇｈｏ

ＰａｒｋＪｉｈｙｕｎｇＫｉｍ，ＭｙｏｎｇｈｅｅＰａｒｋ，ＫｙｕｎｂｙｏｕｎｇＫｏ，ｅｔ

【１７】郭梯云，邬国扬，李建东．移动通信【Ｍ】．西安：西安电子科技大学

ａ１．ＰｅｒｆｏｒｍａｎｃｅａｎａｌｙｓｉｓｏｆｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎｆｏｒＯＦＤＭｓｙｓ－

出版社，２００４．

ｔｅｍｓｗｉｔｈｒｅｓｉｄｕａｌｔｉｍｉｎｇ

ｏｆｆｓｅｔ【Ｊ】．ＩＥＥＥＴｒａｍ

ｏｎ

Ｗｉｒｅｌｅｓｓ

【１８】佟学俭，罗涛．ＯＦＤＭ移动通信技术原理与应用【Ｍ】．北京：人民

Ｃｏｍｍｕｎ，２００６。５（７）：１６２２－１６２５．邮电出版社２００３．

［１２】Ｃｈａｎｇｙｏｎｇ

Ｓｈｉｎ．Ｂｌｉｎｄｃｈａｎｎｅｌｅｓｔｉｍａｔｉｏｎｆｏｒ

ＭＩＭＯ－ＯＦＤＭ

［１９】Ｋａｚｉｍｉｅｒｚ

Ｓｉｗｉａｋ；Ｄｅｂｒａ

Ｍｃｋｅｏｗｎ．Ｕｌｌｒａ－ｗｉｄｅｂａｎｄｒａｄｉｏｔｅｅｈ－

ｓｙｓｔｅｍｓ［Ｊ］．ＩＥＥＥ

ＴｒａｎｓａｃｔｉｏｎｏｎＶｅｈｉｃｕｌａｒ

Ｔｅｃｈｎｏｌｏｇｙ，２００７，５６ｎｏｌｏｇｙ［Ｍ】．北京：电子工业出版社２００５．

万方数据

ETC图像算法

ECT图像重建算法的FPGA实现

作者：作者单位：

李岩， 郝建青， 孙永钢， 冯莉， 张礼勇， LI Yan， HAO Jian-qing， SUN Yong-gang， FENG Li， ZHANG Li-yong

李岩,郝建青,冯莉,LI Yan,HAO Jian-qing,FENG Li(哈尔滨理工大学计算机科学与技术学院,黑龙江,哈尔滨,150080)， 孙永钢,SUN Yong-gang(黑龙江省烟草工业有限公司,黑龙江,哈尔滨,150001)， 张礼勇,ZHANG Li-yong(哈尔滨理工大学,测控技术与通信工程学院,黑龙江,哈尔滨,150080)

计算机工程与设计

COMPUTER ENGINEERING AND DESIGN2010，31(11)0次

刊名：英文刊名：年，卷(期)：被引用次数：

参考文献(9条)

1.Kortschak Brandstatter B A FEM-BEM approach using levelsets in electrical capacitance tomography2005(2)

2.张辉.刘存.张亚利 提高ECT系统成像质量和速度的方法 2004(z1)

3.Michael E Mavroforakis.Sergios Theodoridis A geometric approach to support vectormachine(SVM)classification 2006(3)

4.许建华.张学工.李衍达 支持向量机的新发展 20045.褚振勇.齐亮.田红心 FPGA设计及应用 2006

6.Anguita D.Boni A.Ridella S A digital architecture for support vector machines:Theory,algorithm,andFPGA implementation 2003(5)

7.王嗣平 一种可伸缩的支持向量机的硬件实现方法 2009(3)8.Volder J The CORDIC computing technique 1959(9)

9.王雷 电容层析成像系统的研制及其在两相流参数检测中的应用研究 2003

相似文献(10条)

1.期刊论文 刘浩洋.陈德运.李谋遵.LIU Hao-yang.CHEN De-yun.LI Mou-zun 基于支持向量机的电容层析成像图像重建算法 -哈尔滨理工大学学报2006,11(4)

针对BP重建算法处理由电容层析成像系统所采集的投影数据耗时较多、收敛慢的问题,提出一种基于支持向量机的电容层析成像系统图像重建算法,提高了重建算法的成像速度,从而改善成像系统的整体性能.仿真结果表明,该方法的成像精确度及成像实时性较好.

2.学位论文 刘浩洋 电容层析成像系统图像重建算法的分析和比较 2006

多相流系统是一个复杂的非线性动态系统，相间存在着界面效应和相对速度，致使多相流参数检测的难度较大。在国际上，多相流参数检测也是一个急待发展的探索研究领域。近十多年来迅速发展起来的过程层析成像技术在解决多相流检测问题上有很大的潜力和广阔的工业应用前景。电容层析成像技术以其成本低、响应速度快、结构简单、适用范围广、非侵入式、安全性能好等优点，成为过程层析成像技术的主流和研究热点，但离实际应用尚有很大距离，因此有待进一步研究和发展。支持向量机(Support Vector Machines，简称SVM)是在统计学习理论的基础上发展起来的一种新的学习方法，它已初步表现出很多优于已有方法的性能。由于采用了结构风险最小化原则代替经验风险最小化原则，使得较好的解决了小样本学习的问题；又由于采用了核函数思想，使它把非线性空间的问题转换到线性空间，降低了算法的复杂度。正是因为其完备的理论基础和出色的学习性能，该技术已成为机器学洗劫的研究热点，并在很多领域都得到了成功的应用，如人脸检测、手写体数字识别、文本自动分类等。但是作为一种新兴技术，SVM在很多应用领域的研究还有待探索和完善。

本文以8电极电容层析成像系统为研究对象，借助支持向量机方法在小样本、非线性及高维特征空间中具有良好的分类性能，研究了油水两相流的流型识别问题，对典型流型的流体进行基于遗传算法的图像重建。本文的主要研究内容和成果如下：

1．介绍了过程层析成像系统的特点、用途、构成、发展现状和基于不同敏感原理的过程层析成像技术。阐述了电容层析成像的工作原理、系统组成和电容层析成像系统独特的优点及其应用前景；

2．探讨了电容层析成像技术的工作原理及图像重建算法，并对其基本特点和发展现状进行了简介； 3．介绍统计学习理论及支持向量机，并探讨将支持向量机方法应用于图像重建的可行性； 4．建立了基于支持向量机算法的图像重建算法，对典型流型进行图像重建。

3.期刊论文 张立峰.王化祥.Zhang Lifeng.Wang Huaxiang 基于SVM及电容层析成像的两相流流型识别 -仪器仪表学报2009,30(4)

两相流测量中,流型的准确识别是流动参数准确测量的基础.电容层析成像(ECT)技术是自20世纪80年代发展起来的新型检测技术,可用于两相流/多相流流型识别及固相浓度测量.支持向量机是一种基于统计学习理论的机器学习算法,即使在小样本情况下也能得到很好的分类效果.应用ECT系统测量的包含流型信息的电容测量数据,采用支持向量机算法进行流型识别,对4种典型空气-油两相流流型识别分别进行了仿真和静态实验.结果表明,该方法辨识速度快,可准确地识别典型的流型.

ETC图像算法

4.期刊论文 何世钧.王化祥.周勋.HE Shi-jun.WANG Hua-xiang.ZHOU Xun 基于SVM的ECT图像重建算法 -计量学报2007,28(2)

电容层析成像(ECT)技术是基于电容敏感机理的过程层析成像技术.ECT的图像重建是一个典型的有限样本非线性映射问题.支持向量机(SVM)作为一种小样本处理方法,具有较强的泛化能力,被认为是目前针对小样本分类问题的最佳理论.提出了一种基于SVM的四层神经网络的图像重建算法,仿真结果表明,该算法用于三相流图像重建具有较强的空间分辨率和泛化能力.

5.期刊论文 李岩.郝建青.孙永钢.张仁伟.LI Yan.HAO Jian-qing.SUN Yong-gang.ZHANG Ren-wei 基于SVM的ECT图像重建算法研究与实现 -计算机工程与设计2009,30(24)

在ECT系统中使用支持向量机处理采集到的数据集,当数据规模非常大时训练速度缓慢,支持向量机在处理ECT系统中采集到的大规模数据集时训练速度缓慢.针对该问题提出了一种适应于硬件实现的基于SVM的串行计算-并行传输模式,并用硬件描述语言在现场可编程逻辑门阵列(FPGA)上实现,同时给出了硬件系统的工作过程及总体结构.ECT图像重建实验结果表明,同软件实现相比,不仅提高了系统图像重建速度,还能保持较高的分类精度,并且表明FPGA在图像重建方面满足实时性要求,适用于图像重建系统.

6.学位论文 彭珍瑞 基于LS-SVM的气液两相流参数测量研究 2007

两相流广泛存在于动力、石油、冶金、核能和化工等领域。两相流参数的测量对生产过程的计量、控制以及环保等具有非常重要的意义，但是两相流流动特性复杂，两相流参数检测的难度相当大。空隙率是众多两相流参数中的一个重要检测参数，现有的多种空隙率测量方法还未能满足实际工业应用要求，空隙率测量技术仍有待进一步研究。本文重点针对气液两相流空隙率的测量进行了研究，主要工作和创新点如下：

1.提出了一种最小二乘支持向量机(LS-SVM)的改进方法。针对现有LS-SVM的不足，运用训练数据点筛选策略，根据LS-SVM模型训练误差的大小，剔除训练数据中误差过大和过小的数据点，从而获得模型的“稀疏性”，提高了模型的泛化能力和鲁棒性。仿真验证和实际空隙率测量的实验验证，表明LS-SVM的改进是成功的。

2.将实数编码的遗传算法(RC-GA)引入到LS-SVM参数优化中，解决了LS-SVM使用时存在的参数选取困难的问题。将LS-SVM的参数选取问题看作优化问题，建立优化问题的目标函数，凭借RC-GA强大的全局搜索能力，搜索最优LS-SVM参数。仿真结果和实际空隙率测量实验表明RC-GA方法是有效的。

3.提出了基于12电极电容层析成像技术(ECT)和LS-SVM的油气两相流空隙率在线测量的新方法。运用该方法测量空隙率时，首先辨识流型，然后选择与流型辨识结果相对应的空隙率模型计算获得空隙率。该方法省去了常用ECT方法测量空隙率时复杂而耗时的图像重建过程，提高了空隙率测量的实时性。实验结果证明了本方法的有效性。

4.提出了基于16电极电阻层析成像技术(ERT)和LS-SVM的气水两相流空隙率测量的新方法。该方法由ERT传感器获得104个测量值，然后把ERT传感器得到的104个(去除16个与激励电极对相邻的测量值后为88个)测量值作为已经建立好的空隙率测量模型的输入，计算获得空隙率。实验结果表明本方法是有效的。

7.期刊论文 董向元.刘石.李惊涛.郭建民.DONG Xiangyuan.LIU Shi.LI Jingtao.GUO Jianmin 基于均匀设计和最小二乘支持向量机的电容层析成像传感器优化设计 -应用基础与工程科学学报2006,14(3)

提出一种采用均匀设计与最小二乘支持向量机相结合的电容层析成像传感器结构参数优化方法.该方法以敏感场均匀度为设计目标,采用均匀设计安排试验,试验因素包括ECT传感器的4个重要参数即:极板张角,绝缘管道材料相对介电常数,管道壁厚,以及屏蔽罩与电容极板间的间距.运用最小二乘支持向量机对试验结果进行回归分析,并用因素轮换法进行寻优计算,从而得出优化的传感器结构参数.结果表明:经过优化的电容成像系统具有较好的成像效果.该方法试验次数少,具有较强的实用性.

8.学位论文 董向元 电容成像技术在热物理量测量中的应用研究 2006

电容层析成像技术是近年来发展起来的一项基于电容敏感原理的过程成像技术，该技术具有非辐射、非侵入、响应速度快、结构简单、成本低、可获取二维/三维过程参数信息等优点，是一项极具发展潜力的过程成像技术。本文针对电容层析成像技术的图像重建、传感器设计及标定等关键技术进行了深入的研究，具体内容如下：

详细总结了电容层析成像图像重建算法，将算法分为非迭代类、迭代类及智能优化三大类，并对算法的各类准则加以总结。同时，在总结近几年应用较广泛的迭代方法的基础上，给出了一种通用迭代公式，推导出了通用优化迭代步长公式，进一步导出了通用迭代-单步法公式。

比较了四种不同正则类算法，结果表明，除深度归一法外，标准Tikhonov法、光滑约束法及Rutishauser法成像质量无明显区别。实际应用中考虑正则参数的取值范围，应优先采用标准Tikhonov法、光滑约束法。此外，还采用相关系数、空间图像误差及归一化均方距离等评价指标对常用的ECT图像重建算法进行了比较评价。

提出一种采用均匀设计与最小二乘支持向量机相结合的电容层析成像传感器结构参数优化方法。该方法以敏感场均匀度为设计目标，采用均匀设计安排试验，并用因素轮换法进行寻优计算，从而得出优化的传感器结构参数。结果表明：经过优化的电容成像系统具有较好的成像效果。该方法试验次数少，具有较强的实用性。

针对常规传感器无法满足微小尺度脉动热管流型测量的需要，比较分析了三种不同径向电极布置方法，提出一种新型径向电极布置的微小尺度传感器，并对电极间绝缘介质介电常数及屏蔽罩与电极外表面距离对电极对间电容的影响都进行了详细的探讨。将新设计的传感器用于脉动热管流型监测，获得了较好的结果。

根据代用炸药压制成型测量的特点，提出采用无径向电极的内置电极传感器布置方式，采用线性标定法，并对该方法进行了验证。

针对通道型多孔介质的结构，经适当简化，推导出测量电容与被测物质介电常数的标定关系式，根据该关系式提出一种三点标定法，并将其应用于多孔介质燃烧的标定，并用仿真模型及实验证明了该方法的正确性。

9.期刊论文 彭珍瑞.王保良.黄志尧.李海青.PENG Zhen-rui.WANG Bao-liang.HUANG Zhi-yao.LI Hai-qing 基于电容层析成像和LS-SVM的空隙率测量 -浙江大学学报（工学版）2007,41(6)

基于12电极电容层析成像(ECT)和最小二乘支持向量机(LS-SVM),提出了一种油气两相流空隙率在线测量的新方法.该方法运用快速的线性反投影算法重建两相流截面图像,结合模糊模式识别技术辨识流型.把ECT电容传感器得到的66个电容测量值作为空隙率测量模型的输入,利用LS-SVM建立了针对不同截面流型的空隙率测量模型.在实际测量时,首先辨识流型,然后选择与流型相对应的空隙率测量模型计算获得空隙率.该方法省去了采用传统ECT方法测量空隙率时复杂的图像重建过程,提高了空隙率测量的实时性.实验结果表明该测量方法是有效的.

10.期刊论文 3种空隙率测量建模方法的比较研究 -传感器与微系统2009,28(8)

介绍了测量空隙率的电容层析成像(ECT)系统,分析了ECT测量空隙率的基本原理.简述了3种空隙率测量建模方法,即分别基于遗传算法-偏最小二乘(GA-PLS)算法、蚁群算法(ASA)和最小二乘支持向量机(LS-SVM)的建模方法.建模数据均来自ECT传感器获取的电容值.在此基础上,提出了以ECT传感器为信息获得手段的空隙率测量建模的统一框架.通过实验数据对3种方法进行了评价,对它们从泛化误差、最大误差、平均误差和测量时间几个角度进行了比较.结果表明:LS-SVM方法的精度最高,泛化能力最强.

本文链接：/Periodical_jsjgcysj201011042.aspx授权使用：陕西理工学院(sxlgxy)，授权号：b3a82db1-bd6f-4863-b75b-9df200ffba3d

ETC图像算法

下载时间：2010年9月15日

本文来源：https://www.bwwdw.com/article/gsb1.html