發(fā)布時(shí)間：2019-11-19 23:48

【摘要】：激光超聲檢測(cè)技術(shù)具有高靈敏度、非接觸性、超聲信號(hào)模式豐富、檢測(cè)分辨率高等優(yōu)點(diǎn)，是工業(yè)質(zhì)量監(jiān)測(cè)、工業(yè)生產(chǎn)安全的重要保障。在激光超聲表面缺陷檢測(cè)的實(shí)驗(yàn)中，我們獲得的超聲信號(hào)往往是高維小樣本的。應(yīng)用傳統(tǒng)的信號(hào)處理和模式識(shí)別方法對(duì)這種數(shù)據(jù)進(jìn)行分析，往往是低效率甚至無(wú)效的。因此，研究適用于這種高維小樣本數(shù)據(jù)的特征提取和分類識(shí)別算法，成為激光超聲缺陷識(shí)別的主要問(wèn)題。 本文應(yīng)用自行構(gòu)建的激光超聲缺陷檢測(cè)實(shí)驗(yàn)系統(tǒng)進(jìn)行缺陷檢測(cè)實(shí)驗(yàn)，利用實(shí)驗(yàn)獲得的激光超聲表面缺陷的反射波和透射波信號(hào)，進(jìn)行超聲缺陷信號(hào)的有效特征提取和高泛化能力、高準(zhǔn)確率的分類識(shí)別算法研究。本文主要研究?jī)?nèi)容包括： （1）傳統(tǒng)的信號(hào)處理方法受信號(hào)的平穩(wěn)性和工作環(huán)境等因素的限制，應(yīng)用于激光超聲信號(hào)時(shí)具有一定的局限性和不穩(wěn)定性。同時(shí)，對(duì)于缺陷信號(hào)提取的特征的衡量與評(píng)定仍處于探索階段。因此，我們提出了一種有監(jiān)督的Kohonen網(wǎng)絡(luò)，應(yīng)用其高度的非線性映射能力和智能處理能力，對(duì)超聲信號(hào)進(jìn)行自適應(yīng)的學(xué)習(xí)與分類。多次交叉實(shí)驗(yàn)結(jié)果表明，有監(jiān)督的Kohonen網(wǎng)絡(luò)能有效的實(shí)現(xiàn)對(duì)缺陷信號(hào)的特征學(xué)習(xí)與分類，并且具有很好的泛化能力。 （2）由于激光超聲缺陷信號(hào)的高維性直接影響了算法的時(shí)間復(fù)雜度和空間復(fù)雜度，進(jìn)而可能導(dǎo)致算法的無(wú)效。據(jù)此，我們采用KPCA，一種非線性主成分提取算法對(duì)缺陷信號(hào)數(shù)據(jù)進(jìn)行降維處理，然后應(yīng)用SVM算法進(jìn)行分類識(shí)別。多次交叉實(shí)驗(yàn)結(jié)果表明，基于KPCA和SVM的算法能夠?qū)崿F(xiàn)快速準(zhǔn)確的分類識(shí)別。 （3）相對(duì)于KPCA這種基于方差進(jìn)行主成分提取的方法，我們引入了一種基于信息熵進(jìn)行主成分提取的方法—KECA，，并將這種特征提取及降維方法應(yīng)用于激光超聲缺陷信號(hào)處理中。多次交叉實(shí)驗(yàn)表明，這種基于KECA和SVM的方法分類準(zhǔn)確率高、復(fù)雜度低、泛化能力強(qiáng)。與KPCA進(jìn)行對(duì)比，我們發(fā)現(xiàn)在選取相同數(shù)量的主成分時(shí)，KECA方法可以獲得更高的特征貢獻(xiàn)率。表明，應(yīng)用KECA方法提取的主成分的特征代表性更加明顯。
【學(xué)位授予單位】：中北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN249;O426.9

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 羅小波;鄧?yán)?楊富平;;基于Kohonen神經(jīng)網(wǎng)絡(luò)的遙感影像監(jiān)督分類[J];重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年05期

2 孫宜權(quán);張英堂;李志寧;李志偉;尹剛;楊寧;;基于核主成分分析的柴油機(jī)技術(shù)狀態(tài)評(píng)估[J];車用發(fā)動(dòng)機(jī);2012年02期

3 付華;池繼輝;;基于激光超聲表面波的模具微裂紋無(wú)損檢測(cè)的研究[J];光電子技術(shù);2010年01期

4 羅玉昆;羅詩(shī)途;羅飛路;潘孟春;;激光超聲信號(hào)去噪的經(jīng)驗(yàn)?zāi)B(tài)分解實(shí)現(xiàn)及改進(jìn)[J];光學(xué)精密工程;2013年02期

5 李月;彭蛟龍;馬海濤;林紅波;;過(guò)渡內(nèi)蘊(yùn)模態(tài)函數(shù)對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解去噪結(jié)果的影響研究及改進(jìn)算法[J];地球物理學(xué)報(bào);2013年02期

6 丁攀;呂福在;項(xiàng)占琴;;基于小波包分解和支持向量機(jī)的石油套管缺陷智能識(shí)別[J];鋼鐵研究學(xué)報(bào);2012年05期

7 張小云,劉允才;高斯核支撐向量機(jī)的性能分析[J];計(jì)算機(jī)工程;2003年08期

8 趙建華;李偉華;;有監(jiān)督SOM神經(jīng)網(wǎng)絡(luò)在入侵檢測(cè)中的應(yīng)用[J];計(jì)算機(jī)工程;2012年12期

9 王嘉宇;管荷蘭;陳焱;;激光超聲技術(shù)及其在材料缺陷檢測(cè)中的應(yīng)用[J];科技信息;2010年01期

10 麻書欽;;基于Kohonen神經(jīng)網(wǎng)絡(luò)算法的網(wǎng)絡(luò)入侵聚類算法的測(cè)試研究[J];中國(guó)測(cè)試;2013年04期

相關(guān)博士學(xué)位論文 前1條

1 戴永;基于激光超聲檢測(cè)金屬材料表面缺陷的數(shù)值模擬[D];江蘇大學(xué);2011年

本文編號(hào)：2563295