[基于粒子群优化算法的BP神经网络在CT扫描仪灯泡管故障诊断中的应用]
Zhanghua Xue1, Jie Wang1, Chengyun Gu2
1Logistics Support Department, Shanghai Chest Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, 200030.
概括
一种新方法使用粒子群优化 (PSO) 来改善反向传播 (BP) 神经网络,用于诊断CT扫描仪管故障. 这种PSO-BP模型准确地识别了诸如导线断裂和扫描噪声等问题.
科学领域:
- 医学成像技术 医学成像技术
- 人工智能在诊断中的应用
- 神经网络应用程序 神经网络应用程序
背景情况:
- 计算机断层扫描 (CT) 扫描管的故障可能导致不准确的诊断和增加医疗保健成本.
- 准确和及时的故障诊断对于保持CT设备性能和患者安全至关重要.
研究的目的:
- 开发和验证CT扫描仪管道的新型故障诊断方法.
- 通过优化神经网络模型,提高故障识别的准确性和稳定性.
主要方法:
- 一个反向传播 (BP) 神经网络使用粒子优化 (PSO) 算法进行了优化.
- 包括阳极电压,电流和管温度在内的关键参数被用于用357个故障样本训练PSO-BP模型.
- 该模型在训练和测试数据集上进行了评估,以确定故障分类准确性.
主要成果:
- 该PSO-BP模型在训练组中达到96.25%的高分类精度,在测试组中达到92.31%.
- 皮尔森相关系数在0.894到0.971之间,表明故障特征和类别之间存在很强的相关性.
- 与传统的诊断方法相比,PSO-BP模型显示出更高的准确性和稳定性.
结论:
- 针对PSO优化的BP神经网络有效地提高了常见的CT扫描仪管故障的诊断性能.
- 这种智能诊断方法对CT设备的维护和应用具有重大前景.
- 该研究提出了一种用于智能诊断CT设备故障的新方法.
