针对电容耦合电阻层析成像传感器的优化设计，首先利用有限元仿真软件建立了12电极传感器有限元模型，并分析了后续图像重建所需的传感器灵敏场，之后将该仿真模型与实际传感器相应的测量数据及重建图像进行对比验证，研究表明仿真与实验结果能够较好吻合，为对传感器性能进一步研究提供可靠基础。为了提高系统稳定性及抗干扰能力，以该原始模型为基准，分别对两种不同结构的传感器模型进行仿真分析，并研究其对系统测量值的影响。最后，在选定了传感器的基本模型的基础上，基于对传感器性能影响最小的角度进行分析，对该传感器尺寸进行优化。本研究

可调谐半导体激光吸收光谱（TDLAS）技术结合层析成像（CT）算法能实现流场温度、浓度等信息的二维重建测量。为研究层析成像算法对温度场二维重建质量的影响，实现了两种典型重建算法：代数迭代重建算法（ART）和模拟退火（SA）算法。在不同的射线分布和吸收谱线数目情况下，使用两种算法对给定单峰温度场和双峰温度场分别进行重建仿真，比较分析了两种算法的重建结果。仿真结果表明，影响代数迭代重建算法重建质量的主要因素是射线分布，而模拟退火算法则对吸收谱线数较为敏感；对于单峰温度场，代数迭代重建算法重建结果的最大偏差为5.6%，略好于使用6条吸收谱线时模拟退火算法重建结果的6.2%；对于双峰温度场，模拟退火算法重建结果的最大偏差为5.5%，而代数迭代重建算法的最大偏差则高达22%。

基于正则化加权最小二乘框架的低对比度超声层析成像图像重建

层网matlab代码REGALS 通过正则化交替最小二乘法进行小角度 X 射线散射 (SAXS) 混合解卷积的软件包。 它已应用于色谱耦合 SAXS、时间分辨 SAXS 和平衡滴定的数据集。 有关详细信息，请参阅我们的论文 ()。 存储库内容 matlab/ - REGALS 库的 MATLAB 实现 python/ - REGALS 库的 Python 3 实现 demo/ - 用于处理示例数据的笔记本（用于 Python 的 Jupyter，用于 MATLAB 的 Live notebook）。 看 。 license.md - 软件许可证 系统要求 硬件 这取决于数据集的大小。 demo/包含的示例可在台式计算机上快速运行（< 1 分钟）。 软件依赖 MATLAB 实现是在 R2018a（版本 9.4）中开发的。 不需要工具箱。 Python 实现是在 Python 3 中开发的。 REGALS 库需要numpy和scipy 。 演示使用带有h5py Jupyter 笔记本进行数据导入，使用matplotlib进行绘图。 代码已经过以下版本的测试： python ：3.8.3 n

TomoSAR的机器学习-开发部门 关键字：TomoSAR，机器学习，特征工程，特征选择 概述 该项目的目的是比较层析成像SAR数据上不同机器学习算法的性能。 为了降低的尺寸并最终增加计算时间并消除任何噪音-断层图由许多描述性特征表示。 最后，应将所选机器学习算法在数据的不同特征表示上的性能（计算时间和分类准确性）与原始数据（断层图）的性能进行比较。

爱奥诺 使用射线追踪和射电观测模拟进行射电天文学的电离层层析成像。 目的是通过消除大气中电子对波前传播时间误差的影响，实现在低频下的超深成像。

行业资料-电子功用-具有双层旋转电极的电容层析成像传感器

刘自奇，徐彦斌*，董风

适合从事合成孔径雷达三维成像领域相关的人员 这是一篇公开发表的文章

行业分类-设备装置-一种基于量子点的甲胎蛋白免疫层析试纸条的制备方法.zip