[发明专利]基于神经网络的超声背散射零差K模型参数估算方法

权利要求书

1.一种基于神经网络的超声背散射零差K模型参数估算方法，其特征在于，包括以下步骤：

步骤1、设置超声背散射零差K模型参数μ和k的已知值，μ是超声波分辨单元内的有效散射子数目，k为相干散射信号与弥漫散射信号的比值；V₁为从C到D之间等间隔分布的长为P的向量，-3≤C≤-1，1.5≤D≤2，316≤P≤100000；V₂为从G到H之间等间隔分布的长为Q的向量，0≤G≤0.01，2≤H≤5，20≤Q≤5001；使取向量V₁中的每一个数，使k取向量V₂中的每一个数，共产生M组μ和k的组合，M＝P×Q；

步骤2、对于每一组μ和k已知值的组合，利用蒙特卡洛仿真分别产生N个零差K模型独立同分布的超声背向散射信号样本，1000≤N≤100000，所述的蒙特卡洛仿真为：

式中，a_i为第i个零差K模型独立同分布的超声背向散射信号样本，i∈[1,N]；s＝σ×k；X和Y为高斯分布的独立同分布样本，高斯分布的均值和标准差均为1；z为伽马分布的独立同分布样本，伽马分布的形状参数为μ、尺度参数为1；共得到M组N个、即M×N个零差K模型独立同分布的超声背向散射信号样本；[a_1j,a_2j,…,a_Nj]为得到的第j组N个零差K模型独立同分布的超声背向散射信号样本，j∈[1,M]，A_j为[a_1j,a_2j,…,a_Nj]；

步骤3、对于每一组μ和k已知值的组合、即j取向量(1,2,…,M)中的每一个数，分别计算[a_1j,a_2j,…,a_Nj]即A_j的特征参数FV，所述的特征参数FV的个数为R，R∈[2,13]，为与第j组对应的第l个特征参数，l∈[1,R]；所述的特征参数FV从以下13个参数中任取R个参数：

参数1：E[.]为均值函数，即

参数2：即

参数3：即

参数4：的信噪比，即std(.)为标准差函数；

参数5：的偏度，即

参数6：的峰度，即

参数7：

参数8：

参数9：将A_j划分为W个小区间的直方图，20≤W≤200；N_w为落在第w个小区间内的样本个数，w∈[1,W]，p_w为第w个小区间的样本的概率，p_w＝N_w/N；

参数10：

参数11：

参数12：

参数13：

步骤4、利用每一组μ和k已知值的组合和计算得到的特征参数训练得到反向传播神经网络模型，该神经网络共有Z层，3≤Z≤5，包括一个输入层、一个输出层、Z-2个隐含层；输入层的结点数为R，输出层的结点数为2，该神经网络的学习率LR的范围为[0.001,0.05]

步骤5、对于待测的超声背散射信号样本，首先计算其特征参数FV，再将计算得到的特征参数输入训练得到的反向传播神经网络模型，得到待测样本的零差K模型参数μ和k的估算结果。