ZASTOSOWANIE SIECI NEURONOWYCH I ALGORYTMÓW GŁĘBOKIEGO UCZENIA W ELEKTRYCZNEJ TOMOGRAFII IMPEDANCYJNEJ

Grzegorz Kłosowski

g.klosowski@pollub.pl
Lublin University of Technology, Faculty of Management, Department of Organization of Enterprise (Polska)

Tomasz Rymarczyk


Research and Development Center, Netrix S.A., Lublin; University of Economics and Innovation in Lublin (Polska)

Abstrakt

W artykule zaprezentowano dwa przypadki dotyczące zastosowania sztucznych sieci neuronowych i konwolucyjnych sieci neuronowych
w tomografii impedancyjnej. Uczenie maszynowe może znaleźć zastosowanie przy rozwiązywaniu różnorodnych problemów technicznych.
W tomograficznej rekonstrukcji obrazów można stosować konwencjonalne sieci neuronowe. W niniejszej pracy przedstawiono przykład zastosowania metod głębokiego uczenia w obszarze elektrycznej tomografii impedancyjnej.


Słowa kluczowe:

tomografia obrazowa, perceptron wielowarstwowy, głębokie uczenie, konwolucyjne sieci neuronowe

Bladt E. et al.: Electron tomography based on highly limited data using a neural network reconstruction technique. Ultramicroscopy 158/2015, 81–88.
  Google Scholar

Buduma N., Locascio N.: Fundamentals of Deep Learning. Designing Next-Generation Machine Intelligence Algorithms. O'Reilly Media, 2017.
  Google Scholar

Durairaj D. C., Krishna M. C., Murugesan R.: A neural network approach for image reconstruction in electron magnetic resonance tomography. Computers in biology and medicine 37(10)/2007, 1492–1501.
  Google Scholar

Egmont-Petersen M., Ridder de D., Handels H.: Image processing with neural networks – a review. Pattern Recognition 35/2002, 2279–2301.
  Google Scholar

Minnett R. C. J. et al.: Neural network tomography: Network replication from output surface geometry. Neural Networks 24(5)/2011, 484–492.
  Google Scholar

Pelt D. M., Batenburg K. J.: Fast tomographic reconstruction from limited data using artificial neural networks. IEEE Trans. Image Process. 22/2013, 5238–5251.
  Google Scholar

Rybak G., Chaniecki Z., Grudzień K., Romanowski A., Sankowski D.: Non–invasive methods of industrial process control. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska 4(3)/2014, 41–45.
  Google Scholar

Rymarczyk T.: New Methods to Determine Moisture Areas by Electrical Impedance Tomography. International Journal of Applied Electromagnetics and Mechanics 37(1-2)/2016, 79–87.
  Google Scholar

Stasiak M. et al.: Principal component analysis and artificial neural network approach to electrical impedance tomography problems approximated by multi-region boundary element method. Engineering Analysis with Boundary Elements 31(8)/2007, 713–720.
  Google Scholar

Tapson J.: Neural Networks and Stochastic Search Methods Applied to Capacitive Tomography. IFAC Proceedings Volumes 30(7)/1997, 631–634.
  Google Scholar

Tapson J.: Neural networks and stochastic search methods applied to industrial capacitive tomography. Control Engineering Practice 7(1)/1999, 117–121.
  Google Scholar

Tchorzewski P., Rymarczyk T., Sikora J.: Using Topological Algorithms to Solve Inverse Problem in Electrical Impedance Tomography. International Interdisciplinary Phd Workshop 2016, 46–50.
  Google Scholar

Wang J. et al.: Neural-network approach for optical tomography. Signal processing, 86(9)/2006, 2495–2502.
  Google Scholar


Opublikowane
2017-09-30

Cited By / Share

Kłosowski, G. ., & Rymarczyk, T. (2017). ZASTOSOWANIE SIECI NEURONOWYCH I ALGORYTMÓW GŁĘBOKIEGO UCZENIA W ELEKTRYCZNEJ TOMOGRAFII IMPEDANCYJNEJ. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 7(3), 99–102. https://doi.org/10.5604/01.3001.0010.5226

Autorzy

Grzegorz Kłosowski 
g.klosowski@pollub.pl
Lublin University of Technology, Faculty of Management, Department of Organization of Enterprise Polska

Autorzy

Tomasz Rymarczyk 

Research and Development Center, Netrix S.A., Lublin; University of Economics and Innovation in Lublin Polska

Statystyki

Abstract views: 615
PDF downloads: 224


Inne teksty tego samego autora

<< < 1 2 3 4 > >>