CN112801152A - 一种基于特征元素定量分析的金属材料快速分类检测方法 - Google Patents
一种基于特征元素定量分析的金属材料快速分类检测方法 Download PDFInfo
- Publication number
- CN112801152A CN112801152A CN202110063802.7A CN202110063802A CN112801152A CN 112801152 A CN112801152 A CN 112801152A CN 202110063802 A CN202110063802 A CN 202110063802A CN 112801152 A CN112801152 A CN 112801152A
- Authority
- CN
- China
- Prior art keywords
- metal material
- training
- neural network
- error
- layer
- 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.)
- Pending
Links
- 239000007769 metal material Substances 0.000 title claims abstract description 35
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 210000002569 neuron Anatomy 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 229910052751 metal Inorganic materials 0.000 abstract description 8
- 239000002184 metal Substances 0.000 abstract description 7
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 238000007885 magnetic separation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 150000002739 metals Chemical class 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Neurology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于特征元素定量分析的金属材料快速分类检测方法，其特征在于：包括以下步骤；步骤一、根据金属材料的元素含量信息建立金属材料状态多源信息数据库；步骤二、从上述金属材料状态多源信息数据库中确定影响金属材料运行状态的主要因素，将其作为BP神经网络模型的输入层神经元并构建学习样本；步骤三、建立以BP算法为基础的三层神经网络，步骤四、设置学习率、训练次数和训练目标误差，并对神经网络进行训练和验证；步骤五、根据训练后的神经网络建立简洁高效的模型。本发明将神经网络相结合建立金属元素含量分类用卷积神经网络模型，利用该模型应用于金属的分类，达到了准确的定量分析，大大减少了分类检测的成本和时间。
Description
技术领域
本发明涉及金属材料分类检测技术领域，具体为一种基于特征元素定量分析的金属材料快速分类检测方法。
背景技术
目前金属分类检测主要包括：磁分离技术，涡流分离技术以及大型光谱分析方法等。磁分离技术只能实现导磁性金属和非导磁性材料的分类；涡流分离技术根据不同的导电性，可以将铝和其他有色金属如铜、镁、锌分离开，但也无法确定其中的元素含量，进行更精确的分类；
近年来，人工智能突飞猛进，神经网络以优异的深度学习性能备受关注。神经网络是一种由若干平行作用的若干简单要素组成的模型，经训练后可以解决复杂的技术问题，通过BP神经网络可以得到输入输出间的映射关系，而无需事前描述这种映射关系。BP神经网络具有优秀的收敛性能和误差最小性能。BP神经网络被广泛用于智能控制、信息处理等领域，鉴于此提出一种基于特征元素定量分析的金属材料快速分类检测方法。
发明内容
本发明的目的在于提供一种基于特征元素定量分析的金属材料快速分类检测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于特征元素定量分析的金属材料快速分类检测方法，包括以下步骤；
步骤一、根据金属材料的元素含量信息建立金属材料状态多源信息数据库，并将金属材料的元素含量分为0-1五种状态；
步骤二、从上述金属材料状态多源信息数据库中确定影响金属材料运行状态的主要因素，将其作为BP神经网络模型的输入层神经元并构建学习样本；
步骤三、建立以BP算法为基础的三层神经网络，包括输入层、隐含层和输出层；其中输出层含有一个输出节点，输入层与隐含层之间存在连接权值ωi，n，隐含层与输出层之间存在连接权值ωm，k，输入层的数据经由各个连接权值得到输出层的输出数据，隐含层神经元节点数为算法如下：
式中p为隐含层神经元节点数，m为输出层神经元数，n为输入层神经元数，a为1-10之间的常数；
步骤四、设置学习率、训练次数和训练目标误差，并对神经网络进行训练和验证，训练时将所述学习样本输入BP神经网络后计算神经网络输出值与评价目标值之间的误差，当误差在可接受的范围时，神经网络学习结束，否则以如下方式修改连接权值：
式中，η为学习速率，k为训练次数，a为动量因子，
为误差函数的梯度；
当第k步误差大于第k-1步的误差时，a为0；当第k步误差小于第k-1步的误差时，a为0.9，
学习速率η以下方式修改：
式中，为η(k)学习速率，E(k)为第k步的误差；
重复训练直到误差达一定的范围，神经网络训练结束；
步骤五、根据训练后的神经网络建立简洁高效的模型；
步骤六、带入模型参数，综合评估集合输出结果，确定样品分类信息。
优选的，步骤一中，所述五种状态分为：0-0.2分为I类、0.2-0.4分为II类、0.4-0.6分为III类、0.6-0.8分为V类、0.8-1分为VI类。
优选的，步骤二中采用多源线性回归分析，基于显著性值确定主要因素；步骤四中训练时采用traingdm函数训练。
优选的，步骤四中，所述学习率设置为0.05，最大训练次数为10000，训练目标误差为0.0001。
优选的，步骤五中，需要对建立的模型进行训练和验证，包括修正率、训练次数和训练目标误差。
本发明提出的一种基于特征元素定量分析的金属材料快速分类检测方法，有益效果在于：本发明充分运用了BP神经网络对金属材料元素信息进行评价，将神经网络相结合建立金属元素含量分类用卷积神经网络模型，利用该模型应用于金属的分类，数据处理的方法简单，易于实现，且识别精度较高，达到了准确的定量分析，大大减少了分类检测的成本和时间。
附图说明
图1为BP神经网络结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种技术方案：一种基于特征元素定量分析的金属材料快速分类检测方法，包括以下步骤；
步骤一、根据金属材料的元素含量信息建立金属材料状态多源信息数据库，并将金属材料的元素含量分为0-1五种状态，五种状态分为：0-0.2分为I类、0.2-0.4分为II类、0.4-0.6分为III类、0.6-0.8分为V类、0.8-1分为VI类；
步骤二、从上述金属材料状态多源信息数据库中确定影响金属材料运行状态的主要因素，将其作为BP神经网络模型的输入层神经元并构建学习样本，采用多源线性回归分析，基于显著性值确定主要因素；步骤四中神经训练时采用traingdm函数训练；
步骤三、建立以BP算法为基础的三层神经网络，包括输入层、隐含层和输出层；其中输出层含有一个输出节点，输入层与隐含层之间存在连接权值ωi，n，隐含层与输出层之间存在连接权值ωm，k，输入层的数据经由各个连接权值得到输出层的输出数据，隐含层神经元节点数为算法如下：
式中p为隐含层神经元节点数，m为输出层神经元数，n为输入层神经元数，a为1-10之间的常数；
步骤四、设置学习率、训练次数和训练目标误差，学习率设置为0.05，最大训练次数为10000，训练目标误差为0.0001，并对神经网络进行训练和验证，训练时将所述学习样本输入BP神经网络后计算神经网络输出值与评价目标值之间的误差，当误差在可接受的范围时，神经网络学习结束，否则以如下方式修改连接权值：
式中，η为学习速率，k为训练次数，a为动量因子，
为误差函数的梯度；
当第k步误差大于第k-1步的误差时，a为0；当第k步误差小于第k-1步的误差时，a为0.9，
学习速率η以下方式修改：
式中，为η(k)学习速率，E(k)为第k步的误差；
重复训练直到误差达一定的范围，神经网络训练结束；
步骤五、根据训练后的神经网络建立简洁高效的模型，需要对建立的模型进行训练和验证，包括修正率、训练次数和训练目标误差；
步骤六、带入模型参数，综合评估集合输出结果，确定样品分类信息。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于特征元素定量分析的金属材料快速分类检测方法，其特征在于：包括以下步骤；
步骤一、根据金属材料的元素含量信息建立金属材料状态多源信息数据库，并将金属材料的元素含量分为0-1五种状态；
步骤二、从上述金属材料状态多源信息数据库中确定影响金属材料运行状态的主要因素，将其作为BP神经网络模型的输入层神经元并构建学习样本；
步骤三、建立以BP算法为基础的三层神经网络，包括输入层、隐含层和输出层；其中输出层含有一个输出节点，输入层与隐含层之间存在连接权值ωi，n，隐含层与输出层之间存在连接权值ωm，k，输入层的数据经由各个连接权值得到输出层的输出数据，隐含层神经元节点数为算法如下：
式中p为隐含层神经元节点数，m为输出层神经元数，n为输入层神经元数，a为1-10之间的常数；
步骤四、设置学习率、训练次数和训练目标误差，并对神经网络进行训练和验证，训练时将所述学习样本输入BP神经网络后计算神经网络输出值与评价目标值之间的误差，当误差在可接受的范围时，神经网络学习结束，否则以如下方式修改连接权值：
式中，η为学习速率，k为训练次数，a为动量因子，
为误差函数的梯度；
当第k步误差大于第k-1步的误差时，a为0；当第k步误差小于第k-1步的误差时，a为0.9，
学习速率η以下方式修改：
式中，为η(k)学习速率，E(k)为第k步的误差；
重复训练直到误差达一定的范围，神经网络训练结束；
步骤五、根据训练后的神经网络建立简洁高效的模型；
步骤六、带入模型参数，综合评估集合输出结果，确定样品分类信息。
2.根据权利要求1所述的一种基于特征元素定量分析的金属材料快速分类检测方法，其特征在于：步骤一中，所述五种状态分为：0-0.2分为I类、0.2-0.4分为II类、0.4-0.6分为III类、0.6-0.8分为V类、0.8-1分为VI类。
3.根据权利要求1所述的一种基于特征元素定量分析的金属材料快速分类检测方法，其特征在于：步骤二中，采用多源线性回归分析，基于显著性值确定主要因素；步骤四中神经训练时采用traingdm函数训练。
4.根据权利要求1所述的一种基于特征元素定量分析的金属材料快速分类检测方法，其特征在于：步骤四中，所述学习率设置为0.05，最大训练次数为10000，训练目标误差为0.0001。
5.根据权利要求1所述的一种基于特征元素定量分析的金属材料快速分类检测方法，其特征在于：步骤五中，需要对建立的模型进行训练和验证，包括修正率、训练次数和训练目标误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110063802.7A CN112801152A (zh) | 2021-01-18 | 2021-01-18 | 一种基于特征元素定量分析的金属材料快速分类检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110063802.7A CN112801152A (zh) | 2021-01-18 | 2021-01-18 | 一种基于特征元素定量分析的金属材料快速分类检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112801152A true CN112801152A (zh) | 2021-05-14 |
Family
ID=75810185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110063802.7A Pending CN112801152A (zh) | 2021-01-18 | 2021-01-18 | 一种基于特征元素定量分析的金属材料快速分类检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801152A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107506938A (zh) * | 2017-09-05 | 2017-12-22 | 江苏电力信息技术有限公司 | 一种基于机器学习的物料质量评估方法 |
| CN111798095A (zh) * | 2020-05-29 | 2020-10-20 | 广州供电局有限公司黄埔供电局 | 一种基于神经网络电力电缆状态评价方法 |
-
2021
- 2021-01-18 CN CN202110063802.7A patent/CN112801152A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107506938A (zh) * | 2017-09-05 | 2017-12-22 | 江苏电力信息技术有限公司 | 一种基于机器学习的物料质量评估方法 |
| CN111798095A (zh) * | 2020-05-29 | 2020-10-20 | 广州供电局有限公司黄埔供电局 | 一种基于神经网络电力电缆状态评价方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
| CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
| CN111814871A (zh) | 一种基于可靠权重最优传输的图像分类方法 | |
| CN110598598A (zh) | 基于有限样本集的双流卷积神经网络人体行为识别方法 | |
| CN111105104A (zh) | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 | |
| CN106327357B (zh) | 一种基于改进概率神经网络的负载识别方法 | |
| CN111860658A (zh) | 一种基于代价敏感和集成学习的变压器故障诊断方法 | |
| CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
| CN109472088A (zh) | 一种页岩气调产井生产压力动态预测方法 | |
| CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| CN110650153A (zh) | 一种基于聚焦损失深度神经网络的工控网络入侵检测方法 | |
| CN109686402A (zh) | 基于动态加权相互作用网络中关键蛋白质识别方法 | |
| CN114528949A (zh) | 一种基于参数优化的电能计量异常数据的识别与补偿方法 | |
| CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
| CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
| CN114513367B (zh) | 基于图神经网络的蜂窝网络异常检测方法 | |
| Cao et al. | Currency recognition modeling research based on BP neural network improved by gene algorithm | |
| CN113886183B (zh) | 测算电压暂降事件发生时间的方法 | |
| CN114708479A (zh) | 一种基于图结构和特征的自适应防御方法 | |
| CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
| CN114240687A (zh) | 一种适用于综合能源系统的能源托管效率分析方法 | |
| CN109800517A (zh) | 一种改进的磁流变阻尼器逆向建模方法 | |
| CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
| CN116842459A (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
| CN112801152A (zh) | 一种基于特征元素定量分析的金属材料快速分类检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210514 |