技術特征：

1.一種基于深度學習的電阻抗層析成像(Electrical Impedance Tomography，EIT)方法，其特征在于，包括

(1)獲取與處理原始數據：

獲取網絡輸入的原始邊界測量電壓序列和對應的電導率分布序列，處理后稱之為訓練樣本集合；

(2)構建網絡模型：

根據訓練樣本集合，建立EIT深度學習網絡模型，包括輸入層、隱層和輸出層的多層結構并確定各層的節(jié)點數，初始化網絡層與層之間的連接權重和各層的偏置，并設置網絡的初始參數值：學習率、最大迭代次數、誤差允許值；

(3)訓練網絡模型：

根據訓練樣本集合和構建的初始EIT深度學習網絡模型，訓練網絡模型，建立邊界測量電壓序列和對應的電導率分布序列之間的映射關系。

(4)重建EIT圖像：

根據未經訓練的邊界測量電壓序列和所述訓練后的EIT深度學習網絡模型，得到電導率分布序列，從而重建EIT圖像。

2.如權利要求1所述方法，其特征在于，對輸入的原始邊界測量電壓序列和對應的電導率分布序列分別進行歸一化處理，得到由歸一化的邊界測量電壓序列組成的訓練樣本集合和由歸一化的電導率分布序列組成的訓練樣本集合n₁表示每一組邊界測量電壓序列有n₁個電壓值，n₂表示電導率分布被剖分的個數，m表示訓練樣本數目。

3.如權利要求1所述方法，建立EIT深度學習網絡模型的網絡結構，包括：輸入層的節(jié)點數為n₁；三個隱層且每個隱層的節(jié)點數為n₂；輸出層的節(jié)點數為n₂；網絡輸入層與第一隱層的連接權重為第一隱層與第二隱層、第二隱層與第三隱層、第三隱層與輸出層之間的連接權重分別為輸入層偏置為第i(i＝1，2，3)隱層的偏置為輸出層的偏置為網絡的初始參數值：學習率ε＝0.3，層與層之間的最大迭代次數為maxiter＝50，層與層之間的誤差允許值為error＝2×10^-3。

4.如權利要求1至3所述方法，其特征在于根據構建的EIT深度學習網絡模型和訓練樣本集合U和X，訓練網絡模型，步驟如下：

(1)將訓練樣本集合輸入到模型輸入層后，根據限制玻爾茲曼機(Restricted Boltzmann Machine，RBM)模型的能量函數最小原則，得到輸入層與第一隱層之間的條件概率關系，再由數據正向和反向傳播分別得到第一隱層和輸入層的初始狀態(tài)；

通過對比散度(Contrastive Divergence，CD)算法得到兩層之間的參數(包括連接權重、輸入層偏置和第一隱層偏置)更新的迭代步長，進而獲得更新的網絡參數和輸入輸出狀態(tài)；

計算兩層之間的數據擬合誤差，直到滿足迭代終止條件，得到模型m1；

(2)將第一隱層輸出的數據狀態(tài)特征作為第二隱層的輸入，根據RBM模型的能量函數最小原則，得到第一隱層與第二隱層之間的條件概率關系，再由數據正向和反向傳播分別得到第一隱層和第二隱層的初始狀態(tài)；

通過CD算法得到兩層之間的參數(包括連接權重和第二隱層偏置)更新的迭代步長，進而獲得更新的網絡參數和輸入輸出狀態(tài)；

計算兩層之間的數據擬合誤差，直到滿足迭代終止條件，得到模型m2；

(3)將第二隱層輸出的數據狀態(tài)特征作為第三隱層的輸入，根據RBM模型的能量函數最小原則，得到第二隱層與第三隱層之間的條件概率關系，再由數據正向和反向傳播分別得到第二隱層和第三隱層的初始狀態(tài)；

通過CD算法得到兩層之間的參數(包括連接權重和第三隱層偏置)更新的迭代步長，進而獲得更新的網絡參數和輸入輸出狀態(tài)；

計算兩層之間的數據擬合誤差，直到滿足迭代終止條件，得到模型m3；

(4)將第三隱層輸出的數據狀態(tài)特征作為輸出層的輸入，根據RBM模型的能量函數最小原則，得到第三隱層與輸出層之間的條件概率關系，再由數據正向和反向傳播分別得到第三隱層和輸出層的初始狀態(tài)；

通過CD算法得到兩層之間的參數(包括連接權重和輸出層偏置)更新的迭代步長，進而獲得更新的網絡參數和輸入輸出狀態(tài)；

計算兩層之間的數據擬合誤差，直到滿足迭代終止條件，得到模型m4；

(5)按照以上步驟進行訓練后，最終得到EIT深度學習網絡模型model{m1，m2，m3，m4}。

5.如權利要求4所述方法，其特征在于，所述迭代終止條件包括：

達到預設最大迭代次數或所訓練層的輸入初始狀態(tài)與數據擬合狀態(tài)之間的誤差小于誤差允許值。

6.如權利要求1至5所述方法重建EIT圖像，根據設定的訓練模式訓練EIT深度學習網絡模型，使用訓練獲得的EIT深度學習網絡模型表征邊界測量電壓序列與電導率分布序列之間的映射關系，通過給映射關系輸入邊界測量電壓序列，獲取電導率分布序列，最后將電導率分布序列恢復為矩陣形式，得到EIT圖像。