基于径向基函数神经网络的线性衰减系数的重建算法

计算物理 ›› 2003, Vol. 20 ›› Issue (5): 439-442.

基于径向基函数神经网络的线性衰减系数的重建算法

张全虎^1,2, 张其欣¹, 吕峰¹, 李泽¹, 李鲲鹏¹, 王仲奇¹, 赵学军¹, 隋洪志¹

1. 中国原子能研究院, 北京 102413;
2. 西安市第二炮兵工程学院, 陕西西安 710025

收稿日期:2002-05-29 修回日期:2002-12-29 出版日期:2003-09-25 发布日期:2003-09-25
作者简介:张全虎(1965-),男,山西洪洞,博士生,从事原于核物理及棱保障技术方面的研究,北京275信箱48分箱.

Reconstruction Algorithm of Radial Function Neural Networks for Linear Attenuation Coefficients

ZHANG Quan-hu^1,2, ZHANG Qi-xin¹, LÜ Feng¹, LI Ze¹, LI Kun-peng¹, WANG Zhong-qi¹, ZHAO Xue-jun¹, SUI Hong-zhi¹

1. China Institute of Atomic Energy, Beijing 102413, China;
2. The Second Artillery Engineering College, Xi'an 710025, China

Received:2002-05-29 Revised:2002-12-29 Online:2003-09-25 Published:2003-09-25

摘要/Abstract

摘要： 层析γ扫描(TGS)技术是非破坏性分析(NDA)中的一项重要技术.在TGS透射测量中,线性衰减系数值的图像重建问题是TGS的难点和核心问题.在文[1]的基础上,提出了将神经网络方法应用于TGS重建线性衰减系数图像的算法.计算机上的仿真模拟结果表明,在一定范围内,径向基函数(RBF)神经网络方法重建的线性衰减系数值与实际值的相对误差小于4%,且具有快速、高精度等优点,表明了此方法的有效性.

关键词: 层析γ扫描, 线性衰减系数, 径向基函数, 神经网络, 图像重建

Abstract: Tomographic Gamma scanning(TGS) technique is an important technique in nondestructive assay(NDA). The image reconstruction problem of linear attenuation coefficients is very difficult and central in transmission TGS. A new image reconstruction algorithm of linear attenuation coefficients with neural networks is proposed based upon paper [1]. Simulated results indicate that the reconstruction relative errors of linear attenuation coefficients are less than 4% for the reconstruction algorithm of radial basis function(RBF) neural networks and the new algorithm has the merits such as fast response and high accuracy within a certain scope.

Key words: tomographic Gamma scanning, linear attenuation coefficient, radial basis function, neural networks, image reconstruction

中图分类号:

O572.21^+³

张全虎, 张其欣, 吕峰, 李泽, 李鲲鹏, 王仲奇, 赵学军, 隋洪志. 基于径向基函数神经网络的线性衰减系数的重建算法[J]. 计算物理, 2003, 20(5): 439-442.

ZHANG Quan-hu, ZHANG Qi-xin, LÜ Feng, LI Ze, LI Kun-peng, WANG Zhong-qi, ZHAO Xue-jun, SUI Hong-zhi. Reconstruction Algorithm of Radial Function Neural Networks for Linear Attenuation Coefficients[J]. CHINESE JOURNAL OF COMPUTATIONAL PHYSICS, 2003, 20(5): 439-442.

[1]	吴国正, 王发杰, 程隋福, 张成鑫. 基于物理信息神经网络的内部声场正反问题数值计算[J]. 计算物理, 2022, 39(6): 687-698.
[2]	肖聪, 张士诚, 马新仿, 周彤, 侯腾飞. 基于模型降维和递归神经网络的油藏参数反演[J]. 计算物理, 2022, 39(5): 564-578.
[3]	黄灿, 田冷, 王恒力, 王嘉新, 蒋丽丽. 基于条件生成式对抗网络的油藏单井产量预测模型[J]. 计算物理, 2022, 39(4): 465-478.
[4]	潘剑, 郭照立, 陈松泽. 从噪声数据学习偏微分方程的复合神经网络[J]. 计算物理, 2022, 39(2): 223-232.
[5]	唐利红, 贺宗梅, 姚延立. 忆阻Hopfield神经网络动力学分析及其电路实现[J]. 计算物理, 2022, 39(2): 244-252.
[6]	李洪, 章立新, 任燕, 高明, 刘婧楠. 基于灰色关联分析的BP神经网络对混流闭式冷却塔出水温度的预测[J]. 计算物理, 2022, 39(1): 53-59.
[7]	罗佳, 孙亮, 乔印虎. 忆阻突触耦合环形Hopfield神经网络动力学分析及其电路实现[J]. 计算物理, 2022, 39(1): 109-117.
[8]	郑书昱, 彭佳臻, 张先梅, 薛二兵, 虞立敏. 基于神经网络的托卡马克能量约束时间预测[J]. 计算物理, 2021, 38(4): 423-430.
[9]	周倩, 韦笃取. 场耦合忆阻神经网络的电活动[J]. 计算物理, 2020, 37(6): 750-756.
[10]	卢新瑞, 黄捍东, 李帅, 尹龙. 基于U-Net的盐体识别方法[J]. 计算物理, 2020, 37(3): 327-334.
[11]	周于皓, 刘慧卿, 祁鹏, 赵萌, 陈宇. 基于循环神经网络的缝洞型油藏油井产量预测[J]. 计算物理, 2018, 35(6): 668-674.
[12]	苟雪银, 郭立新, 张连波. 支持向量机和神经网络在粗糙面参数反演中的比较[J]. 计算物理, 2014, 31(1): 75-84.
[13]	林言中, 陈兵, 徐旭. 径向基函数插值方法在动网格技术中的应用[J]. 计算物理, 2012, 29(2): 191-197.
[14]	赵小杰, 赵宁, 王东红. 一类基于RBF插值的守恒重映算法[J]. 计算物理, 2012, 29(1): 10-16.
[15]	张淮清, 俞集辉, 郑亚利. 径向基函数及其耦合方法在电磁场数值计算中的应用[J]. 计算物理, 2009, 26(2): 299-310.