文献

J-GLOBAL ID：202002269977622982   整理番号：20A0767566

電気容量トモグラフィーのためのアンサンブル学習に基づく計算イメージング法【JST・京大機械翻訳】

Ensemble learning-based computational imaging method for electrical capacitance tomography

著者 (3件)： Lei J. (School of Energy, Power and Mechanical Engineering, North China Electric Power University, Changping District, Beijing 102206, China) ,  Liu Q.B. (Institute of Engineering Thermophysics, Chinese Academy of Sciences, Haidian District, Beijing 100190, China) ,  Wang X.Y. (School of Control and Computer Engineering, North China Electric Power University, Changping District, Beijing 102206, China)
資料名： Applied Mathematical Modelling  (Applied Mathematical Modelling)
巻： 82  ページ： 521-545  発行年： 2020年 
JST資料番号： H0624A  ISSN： 0307-904X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 電気容量トモグラフィー(ECT)は工業プロセス監視のための潜在的な測定技術であるが,その適用性は一般的に低品質トモグラフィ画像によって制限される。逆計算画像アルゴリズムの性能を上げることは,再構成品質(RQ)を改善するキーである。解析的事前正則化器による一般的正則化反復画像処理法は,実際の再構成タスクを扱うことにおいて柔軟性が低く,大きな再構成誤差をもたらす。この挑戦に取り組むために,本研究では,再構成モデルと最適化を含む新しい画像処理法を提案した。新しいアンサンブル学習モデルからのデータ駆動正則化装置と画像化物体のスパース性に焦点を合わせた解析的事前正規化装置を,画像化のための新しい最適化モデルに結合した。提案したアンサンブル学習モデルにおいて,行列の一般化低ランク近似(GLRAM)法を用いて入力データの冗長性を低減し,多様性を改善するために次元縮小を行い,極値学習機械(ELM)をベース学習者として用い,核ノルムベース行列回帰(NNMR)法を開発して解の集合を集約した。特異値閾値化法(SVTM)と高速反復収縮閾値化アルゴリズム(FISTA)を分割Bergman法(SBM)に挿入し,構築した計算モデルのための強力な最適化器を生成した。典型的画像化ターゲットに関する数値実験を通して他の競合する方法との比較は,開発したアルゴリズムが再構成誤差を減少して,画像品質とロバスト性においてより多くの改良を達成することを実証した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 画像処理 ,  学習機械 ,  コンピュータ ,  最適化 ,  正規化 ,  ロバスト性 ,  アルゴリズム ,  ノルム ,  計算モデル ,  次元縮小 ,  *正則化 ,  冗長性 ,  断層画像 ,  構成モデル ,  画質

著者キーワード (6件)： コンピュータイメージング ,  アンサンブル学習 ,  極端学習機械 ,  行列の一般化低ランク近似 ,  核ノルムに基づく行列回帰 ,  電気容量トモグラフィー

分類 (3件)： 工程管理  (KB03030P) ,  人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 電気容量トモグラフィー ,  アンサンブル学習 ,  計算イメージング