1.一种基于自适应神经模块网络的电阻层析成像方法，其特征在于：包括如下步骤：步骤1)构建ERT电极测量电压伪图像编码模块；

步骤2)构建基于CNN的ERT流型识别网络模块；

步骤3)构建基于VAE‑GAN网络的ERT图像重建网络组模块；

步骤4)依次串联步骤1)、步骤2)和步骤3)所描述模块，构建自适应神经模块网络的ERT图像重建框架，对待测ERT电极电压数据进行图像重建。

2.根据权利要求1所述的基于自适应神经模块网络的电阻层析成像方法，其特征在于：所述的步骤1)为：

1‑1)采用16电极相邻激励模式的ERT系统，一组测量得到208×1维的测量电压值；设数据库样本总数为P组，则利用式(1)对测量电压值进行归一化处理；式中，uk为归一化后的测量电压值，xk为原始测量电压值；

1‑2)将归一化后的测量电压值按照式(2)进行伪图像编码处理，获得208×208的二维测量电压矩阵Uk；式中，uk为208×1的归一化电压向量；

1‑3)将二维测量电压矩阵Uk利用边缘补零的方式，扩充到256×256的电压扩充矩阵，再给每个元素值乘255，进而获得二维测量电压伪图像矩阵Hk.具体计算方法如式(3)所示：k

1‑4)将测量电压伪图像Hk点阵进行DCT变换，提取其频域特征，得到DCT电压IDCT。

3.根据权利要求1所述的基于自适应神经模块网络的电阻层析成像方法，其特征在于：所述的步骤2)为：

k

基于CNN的ERT流型分类网络的输入为步骤1)的输出DCT电压IDCT，输出为该电压特征伪图像对应的流型索引，分类网络结构共由四个部分组成：输入层、特征提取层、全连接层和输出层；其中，特征提取层由两个卷积层‑池化层的组合串联构成；卷积层输出的每一个特征图都有一个与之相对应的卷积核，卷积核的大小均为5×5，数量为20个；池化层pooling区域大小为2×2，采用最大池化；为提高网络表达能力，引入非线性ReLU激活函数。通过特征提取层(包括卷积层、池化层和激活函数)的操作，将原始输入测量电压的DCT频率数据映射到隐层特征空间；全连接层包含27个神经元与27种ERT流型相对应，其将学习到的“分布式特征表示”映射到样本标记空间；输出层是一个“分类器”，采用softmax函数，分为soft和max两个阶段；首先将输入神经元Zj映射为(0,1)上某个值，然后通过f(Zj)计算每个神经元的分类概率，完成识别任务；经ERT流型识别单元判别后，输入数据样本被划分为不同的流型类别。

4.根据权利要求1所述的基于自适应神经模块网络的电阻层析成像方法，其特征在于：所述的步骤3)为：

3‑1)基于VAE‑GAN网络的ERT图像重建网络组模块由27个生成器网络构成，每一个生成器网络对应一种流型的ERT图像重建网络，生成器网络的输入伪二维测量电压伪图像矩阵Hk，输出为其对应的ERT重建图像，生成器训练过程如下：利用判别器网络，采用“对抗‑生成”的训练模式，通过27组不同的训练数据，分别对27种不同流型对应的生成器网络进行训练，获取ERT图像重建网络组的最佳参数；

3‑2)生成器网络采用编码器‑解码器的串联结构，编码器包括8个卷积层，采用4×4的卷积核；经伪图像处理后的DCT频率特征矩阵输入编码器，逐层运算提取特征，将其映射到2

潜空间，计算得到均值μ与方差σ，从而确定P(z|xk)的正态分布N(0,1)；解码器从正态分布N(0,1)中采样得到隐变量Z，通过8个反卷积层运算得到输出图像；为了利用底层的特征(同分辨率级联)改善上采样的信息不足，在生成器网络中加入skip‑connection，使得上采样部分实现多尺度特征融合；

为了增强小样本下生成器网络的泛化能力，在生成网络模块中引入变分自编码器结构(VAE)：由编码器得到的特征构建一个包含该类流型特征的正态分布，进行再采样操作提取特征，通过解码得到重建图像；具体过程如下：ERT图像重建生成器网络中计算编码后的隐变量的均值和方差，得到对应的正态分布N2

(μ,σ)。从该正态分布中采样得到隐变量z，按照式(4)对其进行重参操作，其中，辅助变量ε服从N(0,1)正态分布，辅助参数的引入，使得隐变量z与σ、μ的关系由采样计算变为数值计算，可以直接使用随机梯度下降进行优化；

z＝μ+ε×σ              (4)

3‑3)判别器网络选用PatchGAN结构，由4个卷积‑BatchNorm‑LeakyReLU组合层和1个基本卷积层串联构成；判别器网络将输入映射为N×N的特征图映射转化为与目标图像的相似度概率。

5.根据权利要求1所述的基于自适应神经模块网络的电阻层析成像方法，其特征在于：所述的步骤4)为：

4‑1)采用16电极相邻激励模式的ERT系统，测量得到208×1维的测量电压值uk，将uk作为输入通过ERT电极测量电压伪图像编码模块处理，输出二维测量电压伪图像矩阵Hk和频k率域DCT电压特征IDCT；

k

4‑2)将DCT电压特征IDCT作为输入，通过基于CNN的ERT流型识别网络模块的识别输出二维测量电压伪图像对应的流型种类索引；

4‑3)根据ERT流型种类识别结果，选取该流型相对应的ERT图像重建网络，同时，将二维测量电压伪图像矩阵Hk作为输入，通过生成器网络的图像重建输出其对应的ERT电压重建图像。