混合卷积神经网络在有限角度火焰重建中的应用

"基于混合卷积的有限角度发射光谱层析重建" 本文主要探讨的是针对有限角度发射光谱层析（Finite Angle Emission Spectral Tomography, FEST）重建问题的一种创新方法，即使用基于三维-二维卷积串联的混合卷积神经网络模型。在传统的迭代类重建算法中，当光学窗口有限且采样角度受到限制时，重建火焰三维结构的精度往往较低。为了解决这一挑战，研究人员提出了一种新的神经网络模型，该模型能够高效地处理多视角投影图像的空间特征。 混合卷积神经网络模型的核心是将三维卷积与二维卷积相结合。三维卷积允许模型同时捕获不同角度投影图像的多维空间信息，这在处理复杂三维火焰结构时尤为重要。而二维卷积则被用来进一步优化训练过程，加快速度并降低计算资源的需求。这种设计使得模型在保持高重建精度的同时，减少了计算时间和资源消耗。 传统的迭代类重建算法通常需要大量的计算和时间，尤其是在面对实际工况下的复杂数据时。而基于残差网络的重建算法虽然在某些方面有所改进，但在有限角度和数据条件下的表现可能仍不尽如人意。相比之下，本文提出的混合卷积神经网络模型展现出了更高的重建准确性和更低的时间成本，这使其在实时火焰监测和快速重建应用中具有显著优势。 火焰发射光谱层析技术是一种非侵入性的诊断工具，可以用于研究燃烧过程中火焰的化学组成和温度分布，对于理解燃烧过程、优化能源效率和减少污染物排放至关重要。随着能源危机和环境问题的加剧，这项技术的应用越来越受到重视。然而，实际应用场景中的光学限制和采样角度问题一直是制约其精度的主要障碍。混合卷积神经网络模型的提出，为解决这些问题提供了一种有前景的解决方案。 该研究为有限角度发射光谱层析的重建问题带来了新的思路，通过混合卷积神经网络提高了重建的精度和效率，有望推动火焰监测技术的进步，并在能源工程、交通运输和航空航天等领域的燃烧过程分析中发挥重要作用。