發(fā)布時(shí)間：2017-10-22 04:13

  本文關(guān)鍵詞：基于EMD和GA-SVM的超聲檢測(cè)缺陷信號(hào)識(shí)別

  更多相關(guān)文章： 缺陷信號(hào)識(shí)別 遺傳算法 支持向量機(jī) 經(jīng)驗(yàn)?zāi)B(tài)分解

【摘要】：為提高金屬探傷時(shí)對(duì)缺陷的識(shí)別能力,提出一種遺傳優(yōu)化支持向量機(jī),結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解(EMD),對(duì)超聲波缺陷信號(hào)進(jìn)行自動(dòng)識(shí)別。首先進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解法分解,提取出原始信號(hào)特征,構(gòu)建特征向量。鑒于常用的神經(jīng)網(wǎng)絡(luò)模型識(shí)別率不高及支持向量機(jī)參數(shù)難確定的問(wèn)題,利用遺傳算法優(yōu)化支持向量機(jī)模型(GA-SVM)的懲罰因子和核參數(shù),提高支持向量機(jī)建模精度。分別采用神經(jīng)網(wǎng)絡(luò)模型、SVM模型和GA-SVM模型對(duì)特征向量進(jìn)行訓(xùn)練與測(cè)試,GASVM模型識(shí)別率達(dá)到98.437 5%,優(yōu)于神經(jīng)網(wǎng)絡(luò)方法和未改進(jìn)的交叉驗(yàn)證法SVM模型。試驗(yàn)結(jié)果表明:遺傳算法能有效提高支持向量機(jī)的性能,在小樣本條件下能夠提高超聲缺陷的識(shí)別率。
【作者單位】： 華北電力大學(xué)自動(dòng)化系;
【關(guān)鍵詞】： 缺陷信號(hào)識(shí)別 遺傳算法 支持向量機(jī) 經(jīng)驗(yàn)?zāi)B(tài)分解
【分類號(hào)】：TB559;TP18
【正文快照】： 0引言超聲檢測(cè)由于其穿透力強(qiáng)、檢測(cè)靈敏度高、使用方便等優(yōu)勢(shì)得到廣泛使用,如對(duì)缺陷大小、形狀、位置、類型等的無(wú)損評(píng)判[1]。目前,超聲定位分析技術(shù)比較成熟,缺陷的定性自動(dòng)識(shí)別已成為超聲檢測(cè)和模式識(shí)別領(lǐng)域的研究熱點(diǎn)�，F(xiàn)實(shí)作業(yè)中,超聲定性評(píng)定通常由專業(yè)工程師通過(guò)肉眼和

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前1條

1 劉清坤;闕沛文;郭華偉;宋壽鵬;;基于支持向量機(jī)和特征選擇的超聲缺陷識(shí)別方法研究[J];中國(guó)機(jī)械工程;2006年01期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 姚凱;基于金屬磁記憶法的鐵磁材料早期損傷檢測(cè)與評(píng)價(jià)的實(shí)驗(yàn)研究[D];北京交通大學(xué);2014年

【共引文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 張子寧;單甘霖;段修生;張岐龍;;基于改進(jìn)遺傳算法的支持向量機(jī)特征選擇[J];電子產(chǎn)品世界;2010年Z1期

2 王凌云;黃紅輝;王雪;謝志江;;重軌表面缺陷機(jī)器視覺(jué)檢測(cè)的關(guān)鍵技術(shù)[J];重慶大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年09期

3 王雪;岳海峰;謝志江;程力e，

本文編號(hào)：1076694