CN112149813B - 基于神经网络的探测器积分电容动态调节方法 - Google Patents

基于神经网络的探测器积分电容动态调节方法 Download PDF

Info

Publication number
CN112149813B
CN112149813B CN202010984084.2A CN202010984084A CN112149813B CN 112149813 B CN112149813 B CN 112149813B CN 202010984084 A CN202010984084 A CN 202010984084A CN 112149813 B CN112149813 B CN 112149813B
Authority
CN
China
Prior art keywords
neural network
scanning
capacitance
layer
integral
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010984084.2A
Other languages
English (en)
Other versions
CN112149813A (zh
Inventor
朱炯
蒋唯
方泽莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Minfound Medical Systems Co Ltd
Original Assignee
Minfound Medical Systems Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Minfound Medical Systems Co Ltd filed Critical Minfound Medical Systems Co Ltd
Priority to CN202010984084.2A priority Critical patent/CN112149813B/zh
Publication of CN112149813A publication Critical patent/CN112149813A/zh
Application granted granted Critical
Publication of CN112149813B publication Critical patent/CN112149813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M1/00—Analogue/digital conversion; Digital/analogue conversion
    • H03M1/12—Analogue/digital converters
    • H03M1/124—Sampling or signal conditioning arrangements specially adapted for A/D converters
    • H03M1/1245—Details of sampling arrangements or methods

Abstract

本发明涉及医学影像设备技术领域，尤其涉及一种基于神经网络的探测器积分电容动态调节方法，通过构件神经网络，来实现对积分电容的动态调节，减少了因积分电容过大或者过小导致的探测器数据精度降低的问题，从而加强了图像质量。

Description

基于神经网络的探测器积分电容动态调节方法
技术领域
本发明涉及医学影像设备技术领域，尤其涉及一种基于神经网络的探测器积分电容动态调节方法。
背景技术
目前，探测器采数是靠ADC芯片的积分电容实现的，而探测器积分电容的大小是固定的，此时如果ADC接收到的探测器数据较小，则会影响到探测器的线性度，而如果探测器数据量较大，则超过了探测器数据的最优范围，所以无论积分电容过大或者过小，都会影响到图像质量。
如果可以动态调节探测器的积分电容大小，就可以减少因为积分电容过大或者过小导致的探测器数据精度降低的问题，从而加强图像质量。
基于此，本案由此提出。
发明内容
为解决上述问题，本发明的目的在于提供一种基于神经网络的探测器积分电容动态调节方法。
为了实现上述目的，本发明的技术方案如下：
一种基于神经网络的探测器积分电容动态调节方法，包括调试阶段的神经网络建立和使用阶段的积分电容的动态调节，
所述调试阶段的神经网络建立包括以下步骤：
构建神经网络，所述神经网络包括输入层、隐藏层和输出层，输入层用于输入扫描参数并导入神经网络，隐藏层用于数据运算和处理，输出层用于输出电容值；
通过实验，获得对应不同电容值的扫描参数，形成训练集和测试集；
通过训练集和测试集对神经网络进行训练，直至神经网络输出数据的误差在可接受范围；
所述使用阶段的积分电容的动态调节包括以下步骤：
根据实际需要选择扫描协议，根据扫描协议，各扫描位置获得对应的扫描参数，神经网络根据各扫描位置的扫描参数计算出合理的电容值，各扫描位置的积分电容根据对应的电容值配置积分电容的大小。
本发明的优点在于：基于神经网络实现积分电容的动态调节，减少了因积分电容过大或者过小导致的探测器数据精度降低的问题，从而加强了图像质量。
附图说明
图1 为实施例中神经网络的结构示意图；
图2为实施例中扫描过程示意图。
具体实施方式
以下结合实施例对本发明作进一步详细描述。
本实施例提出一种基于神经网络的探测器积分电容动态调节方法，包括调试阶段的神经网络建立和使用阶段的积分电容的动态调节。
所述调试阶段的神经网络建立包括以下步骤：
通过实验，获得对应不同电容值的扫描参数，形成训练集和测试集；
构建神经网络，所述神经网络包括输入层（Input Layers）、隐藏层（HiddenLayers）和输出层（Output Values），输入层作为神经网络的第一层，用于将初始的扫描参数输入到神经网络中，并将扫描床参数传递到下一层，如图1所示，输入层扫描参数进行处理，这样就有了4个输入信号x1（电流参数），x2（电压参数），x3（转速参数），x4（准直器参数）；
隐藏层具有对输入数据应用不同变换的神经元（节点），将输入的参数对应不同的隐藏层的节点。一个隐藏层是垂直排列的神经元的集合（Representation），在附图1中有多个隐藏层，第一隐藏层有5个神经元（节点），第二隐藏层有3个神经元，第三隐藏层有4个神经元，最后一个隐藏层会将值传递给输出层，上一隐藏层中的每个神经元都与下一层的每一个神经元有连接，从而形成一个完全连接的隐藏层。数据处理时，上一隐藏层通过传递函数 sigmoid (Z)=1/(1+e−Z)对数据进行处理，并传递至下一层，传递函数可将数值压缩至（0,1）的范围之间；
输出层是神经网络的最后一层，用于接收来自最后一个隐藏层的输入。通过输出层，我们可以知道期望的值和期望的范围。在本实施例的神经网络中，输出层有1个神经元，输出y，即为合理的电容值；
通过训练集和测试集对神经网络进行训练，直至神经网络输出数据的误差在可接受范围。
所述使用阶段的积分电容的动态调节包括以下步骤：根据实际需要选择扫描协议（扫描协议包括了每一个部位的扫描参数、重建参数等诸多信息），各扫描位置通过扫描协议获得对应的扫描参数，神经网络根据各扫描位置的扫描参数计算出与各扫描位置对应的合理电容值，各扫描位置的积分电容根据对应的电容值配置积分电容的大小。如图2所示，当扫描至位置1时，根据探测器积分电容a的大小来进行采数；当扫描至位置2时，根据探测器积分电容b的大小来进行采数，以此类推。
上述实施例仅用于解释说明本发明的构思，而非对本发明权利保护的限定，凡利用此构思对本发明进行非实质性的改动，均应落入本发明的保护范围。

Claims (1)

1.一种基于神经网络的探测器积分电容动态调节方法，包括调试阶段的神经网络建立和使用阶段的积分电容的动态调节，
所述调试阶段的神经网络建立包括以下步骤：
通过实验，获得对应不同电容值的扫描参数，形成训练集和测试集；
构建神经网络，所述神经网络包括输入层、隐藏层和输出层，输入层用于将扫描参数输入神经网络，隐藏层用于数据运算和处理，输出层用于输出电容值；
通过训练集和测试集对神经网络进行训练，直至神经网络输出数据的误差在可接受范围；
所述使用阶段的积分电容的动态调节包括以下步骤：
根据实际需要选择扫描协议，各扫描位置通过扫描协议获得对应的扫描参数，神经网络根据各扫描位置的扫描参数计算出合理的电容值，各扫描位置的积分电容根据对应的电容值配置积分电容的大小。
CN202010984084.2A 2020-09-18 2020-09-18 基于神经网络的探测器积分电容动态调节方法 Active CN112149813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010984084.2A CN112149813B (zh) 2020-09-18 2020-09-18 基于神经网络的探测器积分电容动态调节方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010984084.2A CN112149813B (zh) 2020-09-18 2020-09-18 基于神经网络的探测器积分电容动态调节方法

Publications (2)

Publication Number Publication Date
CN112149813A CN112149813A (zh) 2020-12-29
CN112149813B true CN112149813B (zh) 2022-05-13

Family

ID=73893377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010984084.2A Active CN112149813B (zh) 2020-09-18 2020-09-18 基于神经网络的探测器积分电容动态调节方法

Country Status (1)

Country Link
CN (1) CN112149813B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109549662B (zh) * 2019-01-10 2022-06-10 东软医疗系统股份有限公司 一种调整电容档位的方法、装置及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5039870A (en) * 1990-05-21 1991-08-13 General Electric Company Weighted summation circuits having different-weight ranks of capacitive structures
US5039871A (en) * 1990-05-21 1991-08-13 General Electric Company Capacitive structures for weighted summation as used in neural nets
EP0469885A2 (en) * 1990-08-01 1992-02-05 General Electric Company System for performing weighted summations
CN104899640A (zh) * 2014-07-21 2015-09-09 徐志强 神经网络的模拟装置及方法
CN109494726A (zh) * 2018-11-27 2019-03-19 国网安徽省电力有限公司安庆供电公司 基于dlrnn神经网络的电力系统稳定性在线评估方法
CN110866640A (zh) * 2019-11-11 2020-03-06 山东科技大学 一种基于深度神经网络的电力负荷预测方法
CN110991610A (zh) * 2019-11-28 2020-04-10 华中科技大学 一种概率神经元电路、概率神经网络拓扑结构及其应用
CN111639747A (zh) * 2020-05-14 2020-09-08 中国科学院国家空间科学中心 一种基于bp神经网络的gnss-r海面风速反演方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10741568B2 (en) * 2018-10-16 2020-08-11 Silicon Storage Technology, Inc. Precision tuning for the programming of analog neural memory in a deep learning artificial neural network

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5039870A (en) * 1990-05-21 1991-08-13 General Electric Company Weighted summation circuits having different-weight ranks of capacitive structures
US5039871A (en) * 1990-05-21 1991-08-13 General Electric Company Capacitive structures for weighted summation as used in neural nets
EP0469885A2 (en) * 1990-08-01 1992-02-05 General Electric Company System for performing weighted summations
CN104899640A (zh) * 2014-07-21 2015-09-09 徐志强 神经网络的模拟装置及方法
CN109494726A (zh) * 2018-11-27 2019-03-19 国网安徽省电力有限公司安庆供电公司 基于dlrnn神经网络的电力系统稳定性在线评估方法
CN110866640A (zh) * 2019-11-11 2020-03-06 山东科技大学 一种基于深度神经网络的电力负荷预测方法
CN110991610A (zh) * 2019-11-28 2020-04-10 华中科技大学 一种概率神经元电路、概率神经网络拓扑结构及其应用
CN111639747A (zh) * 2020-05-14 2020-09-08 中国科学院国家空间科学中心 一种基于bp神经网络的gnss-r海面风速反演方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A new frequency control method for isolated networks with neural network controller trained by PSO algorithm;Mahdi Taghizadeh等;《 28th Power System Conference》;20131231;第1-6页 *
UMBIRFPA的计算机仿真及非均匀性校正研究;汪涛;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20020615;第I138-62页 *

Also Published As

Publication number Publication date
CN112149813A (zh) 2020-12-29

Similar Documents

Publication Publication Date Title
DE69729767T2 (de) Festkörperbildaufnahmegerät
DE112007002487B4 (de) Hochgeschwindigkeits-Vorverstärkerschaltung und Detektionselektronik
DE69937754T2 (de) Festkörperbildwandler
US9608656B2 (en) Symmetrical capacitor arrays succesive approximation register (SAR) analog-to-digital converter (ADC)
CN111289787B (zh) 数字示波器及其通道衰减补偿的自动校准装置、方法
CN109833061A (zh) 基于深度学习的优化超声成像系统参数的方法
CN112149813B (zh) 基于神经网络的探测器积分电容动态调节方法
EP3100138B1 (en) System for a brain-computer interface
CN101521755A (zh) Cmos图像传感器读出电路及读出方法
DE102015101411B4 (de) Verbesserter Analog-Digital-Wandler und Verfahren zum Betreiben eines Analog-Digital-Wandlers
DE102017129062B4 (de) Analog/Digital-Umsetzer mit Hintergrundkalibrierungstechniken
DE102019112542B4 (de) Reservoirkondensator-basierter analog-digital-wandler
WO2007137838A1 (de) Einstellbare analog-digital-wandleranordnung und verfahren zur analog-digital-wandlung
DE112018000811T5 (de) System und Verfahren zum Kalibrieren einer Mikrofon-Grenzfrequenz
DE102012213691B4 (de) Analog-Digital-Wandler mit dualen integrierenden Kondensatorsystemen
KR20170132029A (ko) 전압 정보와 온도 정보를 피드백할 수 있는 이미지 센서 칩과 이를 포함하는 이미지 처리 시스템
CN106130495A (zh) 一种模拟信号采集系统与采集方法
DE19936327A1 (de) Analog/Digital- oder Digital/Analog-Umsetzer
CN203396408U (zh) 利用可变幅度传感器激励的过程测量系统
DE102016117950A1 (de) Bildsensor, Bildgebungsverfahren und Bildgebungsvorrichtung
DE102015101741A1 (de) Verstärker mit Offset-Kompensation
CN100493136C (zh) 一种模数转换器及其控制方法
DE60309812T2 (de) System und Verfahren zur Erweiterung des dynamischen Bereichs eines Analog-Digital-Wandlers
DE112018004698T5 (de) Verfahren und vorrichtung zur unterstützung eines breiten eingangsgleichtaktbereichs in sar-adcs ohne zusätzliche aktive schaltung
CN107852170A (zh) 相位短路开关

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant