各向异性介质的电阻抗层析成像：一种对夹杂物进行分类的机器学习方法

我们考虑电阻抗层析成像（EIT）中的一个问题，即根据在背景导电体 $\Omega\subset\mathbb{R}^2$ 边界 $\partial\Omega$ 上获取的有限数量静电测量值（由 Dirichlet-to-Neumann (D-N) 矩阵建模），识别该导电体中的一个或多个夹杂物。一旦确定 $\Omega$ 中存在一个夹杂物，我们的模型结合人工神经网络（ANN）和支持向量机（SVM）的机器学习技术，可用于确定夹杂物的尺寸、多个夹杂物的存在，以及夹杂物内部的各向异性。利用 16 电极设置下的真实和模拟数据集，我们实现了高比率的夹杂物检测，并表明在预测夹杂物尺寸时，两次测量足以达到良好的准确度。这突显了将机器学习方法与更经典的 EIT 分析及逆夹杂物问题相结合，以提取关键信息（如各向异性的存在）的巨大潜力。