Optimization of the radial basis function neural network spread factor for electrical impedance tomography image reconstruction

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F16%3A86100281" target="_blank" >RIV/61989100:27240/16:86100281 - isvavai.cz</a>

Výsledek na webu

<a href="http://dl.acm.org/citation.cfm?doid=3015166.3015183" target="_blank" >http://dl.acm.org/citation.cfm?doid=3015166.3015183</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1145/3015166.3015183" target="_blank" >10.1145/3015166.3015183</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Optimization of the radial basis function neural network spread factor for electrical impedance tomography image reconstruction

Popis výsledku v původním jazyce

Electrical impedance tomography (EIT) is a low cost, non-invasive imaging technique where the inner resistivity distribution of the investigated object, corresponding to different tissue resistivity, is estimated from voltage measured on the boundary of the this object. The Electrical impedance tomography main problem is to get the resistivity distribution image of a given cross-sectional area based on the boundary voltage measurement. We used Radial basis function (RBF) neural network for image reconstruction in EIT and focused on examining the impact changing spread factor of the RBF to the results of the image reconstruction with the RBF neural network. (C) 2016 ACM.

Název v anglickém jazyce

Optimization of the radial basis function neural network spread factor for electrical impedance tomography image reconstruction

Popis výsledku anglicky

Electrical impedance tomography (EIT) is a low cost, non-invasive imaging technique where the inner resistivity distribution of the investigated object, corresponding to different tissue resistivity, is estimated from voltage measured on the boundary of the this object. The Electrical impedance tomography main problem is to get the resistivity distribution image of a given cross-sectional area based on the boundary voltage measurement. We used Radial basis function (RBF) neural network for image reconstruction in EIT and focused on examining the impact changing spread factor of the RBF to the results of the image reconstruction with the RBF neural network. (C) 2016 ACM.

Druh

D - Stať ve sborníku

CEP obor

JB - Senzory, čidla, měření a regulace

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

ACM International Conference Proceeding Series 2016

ISBN

978-1-4503-4790-7

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

26-30

Název nakladatele

ACM

Místo vydání

New York

Místo konání akce

Auckland

Datum konání akce

21. 11. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—