CN104299033B - 基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法 - Google Patents
基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法 Download PDFInfo
- Publication number
- CN104299033B CN104299033B CN201410495000.3A CN201410495000A CN104299033B CN 104299033 B CN104299033 B CN 104299033B CN 201410495000 A CN201410495000 A CN 201410495000A CN 104299033 B CN104299033 B CN 104299033B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- bird
- nest
- magnetic flux
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明涉及一种基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法，包括以下步骤：1)采集并保存漏磁检测信号，设定最大迭代次数；2)设定当前迭代次数为0，根据采集的漏磁检测信号采用布谷鸟搜索算法获得带有最优鸟巢的鸟巢状态集合；3)采用粒子滤波算法进行更新、归一化、重采样处理后，获得新状态集合，并计算此次迭代的状态估计；4)判断是否达到最大迭代次数，若是，则输出最终的状态估计，作为漏磁检测信号的重构轮廓，若否，则将迭代次数加1，并以步骤3)中获得的新状态集合作为布谷鸟搜索算法的初始鸟巢状态集合，返回步骤2)。与现有技术相比，本发明具有精度高，同时对噪声具有很强的鲁棒性等优点。
Description
技术领域
本发明涉及一种漏磁腐蚀缺陷的二维轮廓重构方法，尤其是涉及一种基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法。
背景技术
漏磁检测是建立在铁磁性材料高磁导率特性的基础上，通过测量外加磁场作用下构件表面漏磁场大小来确定缺陷信息的一种无损检测方法。由于其原理简单、在线检测能力强、不受材料表面油污及其他非导磁覆盖物影响等优点，因此漏磁检测方法在油气管道、电力行业各种铁磁性材质管道、跨江或海峡大桥等的钢缆拉索、轨道交通中的钢轨等的缺陷检测及评估中表现出了独特的优势，具有广阔的应用前景，创造巨大的社会效益和经济效益。
漏磁检测缺陷重构包括缺陷几何参数和缺陷轮廓的重构。早期的研究主要集中在缺陷几何参数的获取，而随着越来越高的精度要求，缺陷轮廓重构得到了更多的研究关注。对于缺陷几何参数的估计，仅仅需要几维度即可，而缺陷轮廓重构只有使用足够多的维度才能满足重构需求，否则其反演结果很可能是病态的，所以要实现一个性能良好的反演技术变得尤为复杂和困难。对于一个良好性能的缺陷重构反演技术而言，合适的前向模型和高效的迭代过程是必不可少的。前向模型的准确性直接影响反演预测的质量，而对于已知的前向模型，其反演迭代可以视为一个优化过程。
许多优化算法已经应用于反演过程中，例如梯度下降算法(GD)、遗传算法(GA)和粒子群优化(PSO)，其迭代反演过程如图1所示，大都存在一个问题：如果漏磁检测中传感器所得的漏磁信号含有噪声，则会使迭代最终解偏离真实缺陷；噪声达到一定程度时迭代最终解甚至会完全不同于真实缺陷，也就是说这些迭代方法都对噪声的鲁棒性不强。因此，迫切需要一种能提高对噪声鲁棒性的新方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法，精度高，同时对噪声具有很强的鲁棒性。
本发明的目的可以通过以下技术方案来实现：
一种基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法，包括以下步骤：
1)采集并保存漏磁检测信号，设定最大迭代次数M；
2)设定当前迭代次数为0，根据采集的漏磁检测信号采用布谷鸟搜索算法获得带有最优鸟巢bnest的鸟巢状态集合 为第k个鸟巢的位置，N为集合中鸟巢的个数，i表示第i次迭代；
3)采用粒子滤波算法对进行更新、归一化、重采样处理后，获得新状态集合并计算此次迭代的状态估计
4)判断是否达到最大迭代次数，若是，则输出最终的状态估计作为漏磁检测信号的重构轮廓，若否，则将迭代次数加1，并以步骤3)中获得的作为布谷鸟搜索算法的初始鸟巢状态集合，返回步骤2)；
其中，所述的步骤2)和步骤3)中，布谷鸟搜索算法和粒子滤波算法采用相同参数的前向模型。
所述的步骤2)中，采用布谷鸟搜索算法获得带有最优鸟巢bnest的鸟巢状态集合具体为：
201)设置布谷鸟搜索算法的参数；
202)产生N个随机分布在解空间的鸟巢状态且其初始的粒子重要性权值
203)建立代价函数f(x)：
其中，Zi，obs为i时刻的漏磁检测信号量测值，为通过前向模型对的预测值，R为量测噪声变量；
204)根据所建立的代价函数执行布谷鸟搜索算法，在迭代结束后，获得带有最优鸟巢bnest的鸟巢状态集合
所述的步骤3)具体为：
301)通过前向模型计算观测值
302)更新中各粒子的粒子重要性权值，更新公式为：
其中，为第k个粒子在i时刻所对应的归一化权值，为重要性密度函数；
303)进行权重归一化处理：
304)从中根据各粒子的粒子重要性权值采样获得新的N个粒子的集合
305)计算i时刻的状态估计
所述的前向模型为径向基函数神经网络。
与现有技术相比，本发明将布谷鸟搜索(CS)和粒子滤波(PF)进行混杂并应用于漏磁腐蚀缺陷重构中，可以在不同缺陷尺寸下根据带有噪声的漏磁信号很好的完成缺陷的二维轮廓重构，与现有的其它方法相比较，本发明方法精度更高，同时对噪声具有很强的鲁棒性。
附图说明
图1为现有的迭代反演框架原理示意图；
图2为本发明的流程示意图；
图3为本发明实施例的缺陷轮廓示意图；
图4为本发明实施例的漏磁信号示意图；
图5为缺陷1情况下真实缺陷轮廓、基于CS算法重构轮廓与本发明重构轮廓的结果比较示意图；
图6为缺陷2情况下真实缺陷轮廓、基于CS算法重构轮廓与本发明重构轮廓的结果比较示意图；
图7为缺陷3情况下真实缺陷轮廓、基于CS算法重构轮廓与本发明重构轮廓的结果比较示意图；
图8为缺陷4情况下真实缺陷轮廓、基于CS算法重构轮廓与本发明重构轮廓的结果比较示意图；
图9为缺陷5情况下真实缺陷轮廓、基于CS算法重构轮廓与本发明重构轮廓的结果比较示意图；
图10为缺陷6情况下真实缺陷轮廓、基于CS算法重构轮廓与本发明重构轮廓的结果比较示意图；
图11为缺陷7情况下真实缺陷轮廓、基于CS算法重构轮廓与本发明重构轮廓的结果比较示意图；
图12为缺陷8情况下真实缺陷轮廓、基于CS算法重构轮廓与本发明重构轮廓的结果比较示意图；
图13为缺陷9情况下真实缺陷轮廓、基于CS算法重构轮廓与本发明重构轮廓的结果比较示意图；
图14为缺陷10情况下真实缺陷轮廓、基于CS算法重构轮廓与本发明重构轮廓的结果比较示意图；
图15为本发明实施例采用的实验装置原理示意图；
图16为本发明实验装置采集得到的实际漏磁信号；
图17为在缺陷11情况下真实缺陷轮廓、基于CS算法重构轮廓与本发明重构轮廓的结果比较图；
图18为在缺陷12情况下真实缺陷轮廓、基于CS算法重构轮廓与本发明重构轮廓的结果比较图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本发明实施例提供一种基于布谷鸟搜索和粒子滤波算法的漏磁腐蚀缺陷重构方法，主要包括两个部分：首先，使用CS算法得到包含bnest的最优解其次，通过PF算法对进行处理，得到的状态估计就是检测的漏磁信号的重构轮廓。下面从CS算法、PF算法、CS-PF混杂算法等几个方面对本发明的技术方案进行阐述。
(1)CS算法
布谷鸟搜索(Cuckoo Search，CS)，也叫杜鹃搜索，是由剑桥大学Xin-She Yang教授和S.Deb于2009年提出的一种新兴启发算法。CS算法是通过模拟某些种属布谷鸟的寄生育雏(Brood Parasitism)，来有效地求解最优化问题的算法。同时，CS也采用相关的Lévy飞行搜索机制。研究表明，布谷鸟搜索比其他群体优化算法搜索能力更强、更有效，具有良好的应用前景。
布谷鸟搜索(CS)使用蛋巢代表解。最简单情况是，每巢有一个蛋，布谷鸟的蛋代表了一种新的解。其目的是使用新的和潜在的更好的解，以取代不那么好的解。该算法基于三个理想化的规则：
①每个杜鹃下一个蛋，堆放在一个随机选择的巢中；
②最好的高品质蛋巢将转到下一代；
③巢的数量是固定的，布谷鸟的蛋被发现的概率为Pa。
在这种情况下，宿主鸟可以抛出鸟蛋，或者放弃鸟巢，并建造一个完全新的巢。为方便起见，最后这个假设可以近似为被新巢替换(新的随机解决方案)的概率为Pa。为了简单起见，我们可以使用下面的简单陈述即一个巢里的每个蛋代表一个解决方案，以及一个布谷鸟蛋代表了一种新的解决方案，目的是利用新的以及潜在的更好的解决方案，来取代一个在巢里的不那么好的解决方案。当然，这种算法可以扩展到更复杂的情况下，即每个巢有多个鸟蛋代表了一套解决方案。目前我们将使用最简单的方法，每个巢只有一个蛋。
在此基础上，布谷鸟寻窝的路径和位置通过Lévy飞行进行更新，其本质上是一个随机行走过程，一般情况下，一个随机行走是一个马尔科夫链，其未来位置取决于当前位置和转移概率，Lévy飞行为随机搜索路径，而随机步长为Lévy分布：
Lévy～u＝t-λ，(1＜λ≤3) (1)
其中t为迭代次数。
事实上，要实现随机个数的Lévy飞行的迭代，需要完成两点：生成满足给定Lévy分布的步长以及随机方向的迭代。Mantegna算法可以实现一个Lévy稳定分布。步长μ的具体计算公式为：
其中β为常数；u和v服从式(3)所示的正态分布：
其中Γ(z)为gamma函数。
基于上述公式，可以得到第k个宿主巢第d维在t+1代时的位置更新公式：
其中bnestd是第d维的全局最优鸟巢的位置，r是服从每个在宿主巢中的布谷鸟蛋被宿主鸟发现的概率为Pa。一旦发现布谷鸟蛋，宿主鸟将在旧巢旁搭建新的鸟巢。他们之间的距离用在所有鸟巢中随机选取的两个鸟巢的距离来计算。
对于按照式(6)或式(7)更新后的鸟巢位置有可能不在搜索空间内，因此对更新后的鸟巢位置进行越界处理：
其中分别为第d维解空间的最小值和最大值。
综上所述，CS算法的主要步骤可描述如下：
步骤101：设置布谷鸟搜索算法参数(如β，Pa)，在解空间内初始解集，即若干鸟巢；
步骤102：建立代价函数f(x)，初始迭代次数t＝0；
步骤103：根据公式(6)更新每个鸟巢的位置xk，(k＝1，2，...，N)；
步骤104：根据公式(8)将所有鸟巢更新的位置限制在解空间内；
步骤105：对所有鸟巢进行以下处理：产生一个随机数与Pa比较，若随机数＜Pa，则抛弃该鸟巢并根据公式(7)建立新鸟巢，然后依据公式(8)限制其位置在解空间内；
步骤106：对所有鸟巢进行以下处理：计算鸟巢xk的代价函数值f(xk)和全局最优鸟巢bnest的代价函数值f(bnest)，如果f(xk)＜f(bnest)，则将xk赋值给bnest；
步骤107：迭代次数增加一次t＝t+1；
步骤108：如果迭代次数t满足t≤tmax，则跳转至步骤103；否则，结束。
CS算法的伪代码表示如下：
1)设置布谷鸟搜索算法参数在解空间内初始解集，即若干鸟巢
2)设置迭代次数t＝0，f(x)为代价函数
3)While迭代次数t≤tmax
4)For鸟巢k，(k＝1，2，...，N)
5)根据公式(6)更新鸟巢k的位置
6)根据公式(8)限制xk于解空间
7)End For
8)For鸟巢k，(k＝1，2，...，N)
9)If rand()＜Pa
10)抛弃第k鸟巢并根据公式(7)建立新鸟巢
11)根据公式(8)限制xk于解空间
12)End if
13)If f(xk)＜f(bnest)
14)bnest＝xk
15)End if
16)End for
17)t＝t+1
18)End while
(2)PF算法
粒子滤波(Particle Filter，PF)是一种基于蒙特卡罗方法的贝叶斯滤波算法。其基本思想是：通过寻找一组在状态空间中传播的随机样本(粒子)对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差估计的过程。对于一个动态系统，其状态方程和量测方程表示如下：
xi＝gi(xi-1，n1i-1) (9)
zi＝hi(xi，n2i) (10)
其中xi和zi分别为状态变量和到目前时刻i为止的所有观测量，n1i-1和n2i为过程噪声和量测噪声。
对于一阶马尔科夫过程，i时刻的后验概率密度函数可由贝叶斯滤波通过以下两个过程得到：
Step1：动态预测方程
p(xi|z1：i-1)＝∫p(xi|xi-1)p(xi-1|z1：i-1)dxi-1 (11)
Step2：状态更新方程
根据序列重要性采样(SIS)方法，i时刻的后验密度pxi|z1：i)的估计可以由权值的递推公式得到：
其中N为粒子个数，为第k个粒子在i时刻所对应的归一化权值，采样xk～q(x)，q(x)为重要性密度，δ(x)为Dirac delta函数。
可是，SIS算法在高维空间通常效率很低。随着时间t的增加，重要性权值的分布变的越来越倾斜，除了极少数粒子外，其他粒子只具有微小的权值，这将使期望的后验概率的估计值与真实值之间产生较大偏差，这就是由SIS粒子滤波器引起的退化现象。为了避免退化现象的产生，引入一步重采样。重采样的主要思想是去除权值小的粒子，保留并复制权值较大的粒子。用于基本PF的重采样方法是基于概率累积的，从的集合中根据它们各自的粒子重要性权值重新采样得到新的N个粒子的集合离散随机变量的概率分布函数定义为：
区间此时，重采样后的粒子具有等权值1/N。
(3)布谷鸟搜索(CS)和粒子滤波(PF)的混杂算法
在CS算法中，代价函数用来评价鸟巢的位置，同样在CS和PF混杂算法中它也必不可少，本发明提出的代价函数如式(16)所示：
其中zi，obs为i时刻的量测值(即i时刻的漏磁检测真实信号)，为对的预测值，R为量测噪声变量。
根据CS算法的框架，所有的鸟巢向最优解移动。在算法迭代的最后，许多鸟巢已经在最优解附近，也就是说代价函数适应度值很低；而离最优解较远的其他鸟巢适应度值较高。换句话说，CS的过程需要所有的鸟巢向着具有高似然概率的部分移动。当bnest的适应度值达到一定的阈值ε或达到最大迭代次数时，鸟巢已经分布在最优解附近。因此，CS和PF的混杂可以克服粒子的贫乏问题。这里本发明将CS中的优化巢视为PF中的采样粒子，粒子重要性权值的更新公式为：
归一化重要性权值为：
其中为重要性密度函数。
每次权值归一化之后，丢弃CS中性能较差的粒子，传播其中较好的粒子，这对于基本PF中的重采样是很重要的。然后根据式(19)计算i时刻的状态估计：
综上所述，本发明CS和PF混杂算法的主要步骤可描述如下：
步骤201：设置布谷鸟搜索算法和粒子滤波算法的参数；
步骤202：产生N个随机分布在解空间的粒子或鸟巢且其粒子重要性权值
步骤203：设置总循环次数i＝0，建立代价函数f(x)；
步骤204：将作为第i次循环的运行初始鸟巢，从步骤102开始运行CS算法，CS算法中根据公式(16)获得最优解；
步骤205：将CS算法最后运行包含有bnest的鸟巢集合作为
步骤206：通过前向模型获得预测值
步骤207：根据公式(17)更新权重
步骤208：根据公式(18)归一化权重
步骤209：根据公式(15)通过得出
步骤210：由公式(19)计算得出
步骤211：总循环次数i增加一次；
步骤212：如果当前循环次数小于最大允许次数，即i≤M，则跳转至步骤204；否则结束。
CS和PF混杂算法的伪代码表示如下：
1)设置布谷鸟搜索算法和粒子滤波算法的参数
2)产生N个随机分布在解空间的粒子或鸟巢且其权重
3)设置循环次数i＝0，f(x)为代价函数
4)While i≤M
5)将作为第i次循环的运行初始鸟巢，开始运行CS算法
6)将CS算法最后运行包含有bnest的鸟巢作为
7)通过前向模型获得
8)根据公式(17)更新
9)根据公式(18)归一化权重
10)根据公式(15)通过得出
11)由公式(19)计算得出
12)i＝i+1
13)End while
(4)本发明的基于CS和PF混杂算法的漏磁腐蚀缺陷重构方法
由于测量环境或其他因素的影响导致检测信号带有严重的噪声干扰，使得最后的重构轮廓会偏离真实的缺陷轮廓，因此，现有的反演重构方法对噪声的鲁棒性不强。
本发明方法的流程如图2所示。CS和PF混杂算法中的鸟巢位置和粒子状态均表示缺陷轮廓，同样使用前向模型作为观测方程。与基本PF不同的是，相同的缺陷轮廓或状态要评估M次，这意味着每一时刻i的观测值与采集的漏磁检测信号zobs相同，且i+1时刻的轮廓估计比i时刻的更接近于真实缺陷轮廓，因此在M次迭代的最终轮廓估计是最接近真实缺陷轮廓的解。在每一时刻i，先前的鸟巢由CS算法进行处理，在CS算法的最后，可以得到一组包含最优巢的鸟巢解集然后通过更新和归一化，计算得到第i时刻的新的权值；经过重采样后，准备好下一时刻i+1的新状态一旦达到最大迭代次数M，状态估计被认为是最后的轮廓。值得指出的是，该混杂算法的一个优点是无需状态方程，而只使用基本PF的轮廓重构需要状态方程。
本发明方法分成两层：内层使用CS算法通过处理上一时刻重采样后的状态序列得到下一时刻的状态序列；外层则是对内层CS算法输出的状态序列进行重采样等处理，然后将结果作为下次内层CS算法的输入，直到外层迭代完成，则可估计出最终解，即缺陷轮廓。
在CS算法的每次迭代中，使得真实信号(实际采集并保存的漏磁检测信号)与估计信号(前向模型的输出信号)的均方根误差最小的那个缺陷轮廓，即为迭代过程的解，也就是所求真实缺陷轮廓的最优估计。
值得一提的是，外层粒子滤波框架的观测方程使用的是内层CS算法一样的前向模型。这样就将CS算法和粒子滤波的优点相结合，能使这种反演方法对噪声更具鲁棒性。本实施例中，径向基函数神经网络(RBFNN)作为前向模型。RBFNN是一种广泛应用于解决多元函数逼近问题的神经网络。它可以分为三层：输入层、隐含层、输出层，所有层都包含若干节点。通过这些节点，RBFNN根据基础函数展开项近似输入与输出的未知关系。RBFNN作为前向模型具有良好的性能并且可以应用于反演重构技术中。在反演重构方法框架中神经网络既用于前向模型又作为观测方程(且无需状态方程)，因此前向模型的输入为缺陷轮廓，输出既是估计信号，也是观测值。
(5)本发明重构实验与结果分析
本发明分别使用由有限单元法(FEM)软件ANSYS仿真得到的2维漏磁信号数据和通过实验装置测得的实测漏磁信号数据来测试本发明方法的有效性。实验数据包括240个2维缺陷样本，裂纹宽度从1英寸到7英寸，深度从0.15英寸到1.85英寸不等。将这240个2维缺陷样本分为两组，第一组210个缺陷样本用来训练RBFNN，第二组30个缺陷样本用于本发明方法中从而对缺陷进行重构。由于缺陷轮廓和漏磁信号都为100个采样点，所以作为前向模型的径向基函数神经网络的输入层和输出层节点数也都为100。神经网络的散布常数(spread)为10-8。
一个2维缺陷样本示例如图3-图4所示。其中图3中的实线表示真实的缺陷轮廓，图4中的点划线表示带有系统噪声的漏磁信号，实线表示不含噪声的漏磁信号。
分别采用基于CS算法和本发明方法进行重构分析，图5-14给出了如表1所示不同缺陷尺寸下两种方法的结果比较。对比结果表明，本发明方法得到的解更符合真实的缺陷轮廓，说明解得的信号更接近于检测信号。
为进一步研究本发明方法在不同信噪比下的反演效果，引入均方根误差(RMSE)作为评价指标。表1给出了不同缺陷尺寸下采用基于CS算法与基于CS和PF混杂算法缺陷轮廓重构与真实轮廓的均方根误差比较。
表1
如表1中所示，采用本发明方法时的误差更小，因此基于CS和PF混杂算法的反演重构方法具有更好的性能。
为了进一步验证所提出方法的性能，使用实测漏磁信号数据进行实验验证。本实施例所采用的实验装置以及其原理图分别如图15所示。
实验装置主要包括旋转平台1、励磁线圈2、传感器3、信号调理电路4、数据采集卡5、接收终端(个人电脑)6和电机7。缺陷均分布在旋转平台的边缘表面。采用励磁激励的磁轭来产生磁场。磁轭磁极距轨面1mm。霍尔传感器探头位于距离侧面0.5mm的磁轭两磁极的中间位置，用于获取漏磁信号。经过信号调理电路调节后，漏磁信号被发送到数据采集卡。最后，计算机接收漏磁信号。此外，旋转平台的速度由电机进行控制。
旋转平台上表面的材料类型为U71Mn。不同尺寸的缺陷分布在旋转平台的上表面，实际速度范围为2～50m/s。霍尔效应传感器和数据采集卡的类型分别为UGN3503和ADLINKDAQ 2204。由于漏磁检测信号的幅值为毫伏级，数据采集卡的电压范围为伏级，因此，采用AD620仪用放大器来设计放大系数为100的差分放大电路。另外，为避免检测装置反复磁化旋转平台，还设计添加了去磁装置。
图16为通过实验装置由传感器在槽缺陷处采集得到的真实漏磁信号。与仿真得到的模拟漏磁信号不同，实测得到的真实漏磁信号由于由霍尔传感器采集得到而包含一定的噪声信号。在使用真实漏磁信号估计缺陷样本前，实测的真实漏磁信号需要间隔采样，并归一化到与仿真信号保持相同水平。这里分别将基于CS和基于混杂算法的两种反演方法应用于真实缺陷轮廓估计中。
RBFNN作为前向模型由210个缺陷样本进行训练。缺陷11(0.016英寸宽，0.24英寸深)的估计轮廓和缺陷12(0.016英寸宽，0.16英寸深)的估计轮廓分别如附图19、20所示。表2给出了计算时间和采用基于CS算法与基于CS和PF混杂算法缺陷轮廓重构与真实轮廓的均方误差比较。从图17、18和表2中可以看出，基于本发明混杂算法的估计轮廓相比于基于CS算法的估计轮廓更接近真实轮廓，且当计算时间相同时，采用本发明混杂算法得出的RMSE值更小。
表2
通过仿真结果和实验结果表明，本发明方法相比于基于CS算法的漏磁信号反演方法精度高，同时对噪声具有很强的鲁棒性，可以更好地完成缺陷的二维轮廓重构，是一种有效可行的漏磁反演重构新方法。
Claims (2)
1.一种基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法，其特征在于，包括以下步骤：
1)采集并保存漏磁检测信号，设定最大迭代次数M；
2)设定当前迭代次数为0，根据采集的漏磁检测信号采用布谷鸟搜索算法获得带有最优鸟巢bnest的鸟巢状态集合 为第k个鸟巢的位置，N为集合中鸟巢的个数，i表示第i次迭代；
3)采用粒子滤波算法对进行更新、归一化、重采样处理后，获得新状态集合并计算此次迭代的状态估计
4)判断是否达到最大迭代次数，若是，则输出最终的状态估计作为漏磁检测信号的重构轮廓，若否，则将迭代次数加1，并以步骤3)中获得的作为布谷鸟搜索算法的初始鸟巢状态集合，返回步骤2)；
其中，所述的步骤2)和步骤3)中，布谷鸟搜索算法和粒子滤波算法采用相同参数的前向模型；
所述的步骤2)中，采用布谷鸟搜索算法获得带有最优鸟巢bnest的鸟巢状态集合具体为：
201)设置布谷鸟搜索算法的参数；
202)产生N个随机分布在解空间的鸟巢状态且其初始的粒子重要性权值
203)建立代价函数f(x)：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>R</mi>
</mrow>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>z</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>o</mi>
<mi>b</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
</mrow>
其中，zi,obs为i次迭代的漏磁检测信号量测值，为通过前向模型对的预测值，R为量测噪声变量；
204)根据所建立的代价函数执行布谷鸟搜索算法，在迭代结束后，获得带有最优鸟巢bnest的鸟巢状态集合
所述的步骤3)具体为：
301)通过前向模型计算预测值
302)更新中各粒子的粒子重要性权值，更新公式为：
<mrow>
<msubsup>
<mi>&omega;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>R</mi>
</mrow>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>z</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>o</mi>
<mi>b</mi>
<mi>s</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
</mrow>
其中，为第k个粒子在i次迭代所对应的归一化权值；
303)进行权重归一化处理：
<mrow>
<msubsup>
<mi>&omega;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>&omega;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>/</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msubsup>
<mi>&omega;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
</mrow>
304)从中根据各粒子的粒子重要性权值采样获得新的N个粒子的集合
305)计算i次迭代的状态估计
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msubsup>
<mi>&omega;</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<msubsup>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>.</mo>
</mrow>
2.根据权利要求1所述的一种基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法，其特征在于，所述的前向模型为径向基函数神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410495000.3A CN104299033B (zh) | 2014-09-24 | 2014-09-24 | 基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410495000.3A CN104299033B (zh) | 2014-09-24 | 2014-09-24 | 基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104299033A CN104299033A (zh) | 2015-01-21 |
| CN104299033B true CN104299033B (zh) | 2018-06-05 |
Family
ID=52318754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410495000.3A Active CN104299033B (zh) | 2014-09-24 | 2014-09-24 | 基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104299033B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104897769B (zh) * | 2015-06-02 | 2017-11-03 | 上海电力学院 | 基于改进的粒子群优化算法的漏磁检测缺陷重构方法 |
| CN104899440B (zh) * | 2015-06-02 | 2017-09-29 | 上海电力学院 | 一种基于万有引力搜索算法的漏磁缺陷重构方法 |
| CN105978644B (zh) * | 2016-05-09 | 2019-02-19 | 哈尔滨工业大学 | 基于布谷鸟搜索算法的星地认知系统频谱接入方法 |
| CN106611215A (zh) * | 2016-05-14 | 2017-05-03 | 四川用联信息技术有限公司 | 一种新的布谷鸟搜索算法解决作业车间调度问题 |
| CN108229714A (zh) * | 2016-12-19 | 2018-06-29 | 普天信息技术有限公司 | 预测模型构建方法、门诊量预测方法及装置 |
| CN106872971B (zh) * | 2017-03-16 | 2019-07-09 | 中国民航科学技术研究院 | 一种基于群体智能模型的飞鸟群目标跟踪方法 |
| CN107133390B (zh) * | 2017-04-18 | 2019-07-26 | 清华大学 | 缺陷漏磁信号垂直磁化方向单元组合求解方法 |
| CN110533905B (zh) * | 2019-07-03 | 2022-02-15 | 广东工业大学 | 一种交通流预测的方法、系统及设备 |
| CN114295365B (zh) * | 2022-03-09 | 2022-07-08 | 深圳市信润富联数字科技有限公司 | 插针机精度异常监测方法、系统、设备及存储介质 |
| CN116879946B (zh) * | 2023-07-04 | 2024-01-30 | 成都理工大学 | 基于多目标蜉蝣算法改进粒子滤波算法的叠前反演方法 |
| CN117056675A (zh) * | 2023-08-16 | 2023-11-14 | 西南石油大学 | 一种基于小波变换和粒子滤波结合的漏磁信号降噪方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102364501A (zh) * | 2011-09-14 | 2012-02-29 | 哈尔滨工程大学 | 一种石油管道pso-bp神经网络二维缺陷重现方法 |
| CN103675881A (zh) * | 2013-12-06 | 2014-03-26 | 中国科学院空间科学与应用研究中心 | 消除空间粒子探测器偏转磁铁的漏磁和反散射效应的装置 |
| CN103762921A (zh) * | 2013-12-17 | 2014-04-30 | 浙江大学 | 一种基于粒子群算法的不平衡电网下dfig的多目标控制方法 |
-
2014
- 2014-09-24 CN CN201410495000.3A patent/CN104299033B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102364501A (zh) * | 2011-09-14 | 2012-02-29 | 哈尔滨工程大学 | 一种石油管道pso-bp神经网络二维缺陷重现方法 |
| CN103675881A (zh) * | 2013-12-06 | 2014-03-26 | 中国科学院空间科学与应用研究中心 | 消除空间粒子探测器偏转磁铁的漏磁和反散射效应的装置 |
| CN103762921A (zh) * | 2013-12-17 | 2014-04-30 | 浙江大学 | 一种基于粒子群算法的不平衡电网下dfig的多目标控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于布谷鸟搜索算法的漏磁反演方法研究";韩文花等;《应用基础与工程科学学报》;20151231;第23卷(第6期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104299033A (zh) | 2015-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104299033B (zh) | 基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法 | |
| Cheng et al. | Identification of contaminant point source in surface waters based on backward location probability density function method | |
| CN104897769B (zh) | 基于改进的粒子群优化算法的漏磁检测缺陷重构方法 | |
| CN104200004A (zh) | 一种优化的基于神经网络的桥梁损伤识别方法 | |
| CN104897771B (zh) | 三维漏磁检测缺陷轮廓重构方法及装置 | |
| Mons et al. | Data assimilation-based reconstruction of urban pollutant release characteristics | |
| CN106529018B (zh) | 基于高斯权值-混合粒子滤波的疲劳裂纹扩展预测方法 | |
| CN104965941A (zh) | 基于改进的人工蜂群算法的漏磁检测缺陷重构方法 | |
| CN102364501A (zh) | 一种石油管道pso-bp神经网络二维缺陷重现方法 | |
| CN104899440B (zh) | 一种基于万有引力搜索算法的漏磁缺陷重构方法 | |
| Yan et al. | Solution of inverse problems in electromagnetic NDE using finite element methods | |
| CN103543026A (zh) | 基于振动传递率函数和支持向量机的结构损伤识别方法 | |
| CN108170927A (zh) | 一种基于modis的pm2.5遥感反演方法 | |
| CN112084655A (zh) | 一种基于非单调线搜索的探地雷达参数反演方法 | |
| Chen | Three-axial MFL inspection in pipelines for defect imaging using a hybrid inversion procedure | |
| Ulapane | Nondestructive evaluation of ferromagnetic critical water pipes using pulsed eddy current testing | |
| Zhang et al. | Defect reconstruction from magnetic flux leakage measurements employing modified cuckoo search algorithm | |
| CN103617363A (zh) | 一种污染性沙尘颗粒辐射特性的模拟方法 | |
| Wu et al. | Water level updating model for flow calculation of river networks | |
| CN102889993A (zh) | 一种发动机油耗特性测试方法及系统 | |
| Baumann | Numerical simulation of tropical cyclones using goal-oriented adaptivity | |
| Guo et al. | An assimilation simulation approach for the suspended sediment concentration in Inland Lakes using a hybrid perturbation generation method | |
| CN113348758B (zh) | 一种消除材料属性影响的脉冲涡流缺陷轮廓重构方法 | |
| CN113009107A (zh) | 一种冻土未冻水含量检测方法 | |
| CN109948108B (zh) | 扬尘排量计算模型选择、排量计算及排量数据的验证方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |