资源描述：
《基于粗神经网络和特征提取的ect流型辨识》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、基于粗神经网络和特征提取的ECT流型辨识刘延东1，李惠强2，何在刚2，刘浩仟2，陈玲2，郑静娜2，郑斯文3（1.辽宁大学轻型产业学院，辽宁沈阳110036；2.辽宁大学物理学院，辽宁沈阳110036；3.沈阳计量测试院，辽宁沈阳110179）摘要：针对目前电容层析成像技术流型辨识精度低的问题，本文提出一种基于粗神经网络与特征提取相结合的方法来辨识两相流流型。该方法首先根据电容层析成像系统和流型的特点来处理电容测量数据，从而完成对各种流型特征的提取；其次对粗神经网络的结构进行设计，并利用典型流型特征参数训练粗神经网络，然后利用此粗神经网络对流型进行辨识；
2、最后进行仿真实验。仿真实验结果表明此种方法较传统的BP神经网络具有较高的识别精度，这也为ECT流型辨识的研究提供了一个新的途径和手段。关键词：电容层析成像(ECT)；粗神经网络（RNN）；特征提取；流型辨识FlowpatternidentificationbasedonfeatureextractionandRoughNeuralNetworkforElectricalCapacitanceTomographyLIUYan-dong1，LIHUI-qiang2,HEZai-gang2，LIUHao-qian2,CHENLing2,ZHENGJing-n
3、a2，ZHENGSi-wen3(1.LightIndustryCollege，LiaoningUniversity,ShenyangLiaoning110036,China;2.CollegeofPhysics,LiaoningUniversity,ShenyangLiaoning110036,China;3.ShenyangMetrologyTestingInstitution,ShenyangLiaoning110179,China)Abstract：Inresponsetotheinaccuracyofflowpatternidentificat
4、ionbyElectricalCapacitanceTomography,anewmethodisputforwardthatcombinesroughneuralnetworkwithfeatureextraction,toidentifythetwo-phaseflowpatterns.Firstly,thismethodaccordingtotheElectricalCapacitanceTomographysystemandthecharacteristicsofflowpatterntohandlecapacitancemeasurement
5、s,thuscompletethefeaturesofvariousflowpatternextraction;Secondly,thestructureofroughneuralnetworktocarryonthedesign,andusethefeaturesparametersoftypicalflowpatterntotraintheroughneuralnetwork, andthenusingthisroughneuralnetworktoidentifyflowpattern; Finally,thesimulationexperime
6、nt.ThesimulationexperimentalresultsindicatethatthismethodcomparedwiththetraditionalBPneuralnetworkhashighidentificationaccuracy,thisalsofortheresearchofECTflowpatternidentificationprovidesnewwaysandmeans.Keywords:Electricalcapacitancetomography;RoughNeuralNetwork;featureextracti
7、on;flowpatternidentification;1、引言电容层析成像技术[1-2]是近年发展起来的一项新的检测技术。电容层析成像技术（ECT）因其结构简单、技术成本低、安全性能好等优点而具有广阔的发展前景，成为流动层析成像技术研究的主要趋势。其中，两相流的流型识别就是研究电容层析成像的一个目的，也就是流型辨识。流型是指管道中流体的结构和流动形态。在气固两相流系统中，通过研究流型辨识不仅可以分析流型对流量、介电分布等参数测量的影响,而且对气力输送系统进行实时控制等也是很有必要的，因此研究流型辨识具有重要的现实意义。目前已提出的基于ECT系统的流
8、型识别算法主要有K近邻算法[3]、神经网络法[4]、特征提取法[5-6]以及其它算法[7]。K
