CN113008998A - 一种基于pcnn的隐蔽工程内部缺陷判断方法 - Google Patents

Abstract

本发明提供了一种基于PCNN的隐蔽工程内部缺陷判断方法，属于隐蔽工程技术领域；PCNN以传统神经网络为基础，划分有多个NN神经网络模块，把超声波训练数据集随机划分为奇数个子训练数据集，供多个神经网络模块进行一一对应训练，获得多个神经网络权重，进而获得奇数个分类结果；针对分类结果，依据大数定律进行概率判断，大大提高了对隐蔽工程内部缺陷判断的准确性，有效解决了传统神经网络中存在的误判率高的问题。本发明在隐蔽工程的探伤检测方面具有较好的应用前景，能够有效提高隐蔽工程缺陷判断的有效性，降低虚警情况出现的概率。

Description

一种基于PCNN的隐蔽工程内部缺陷判断方法

技术领域

本发明属于隐蔽工程技术领域，尤其涉及一种基于PCNN的隐蔽工程内部缺陷判断方法。

背景技术

针对传统的神经网络预测能力和训练能力的矛盾，网络模型的逼近和推广能力与学习样本的典型性密切相关。一般性情况下，训练能力差时，预测能力也差，并且一定程度上，随着训练能力提高，预测能力也会提高。但是这种趋势不是固定的，其有一个极限，当达到此极限时，随着训练能力的提高，预测能力反而会下降。出现该现象的原因是网络学习了过多的样本细节所导致，学习出的模型已经不能反应样本内含的规律，换言之，神经网络算法评判分类本质上是有一个瓶颈存在的，因此亟需一种具有较好预测能力的神经网络来进行分类判别。

发明内容

针对现有技术中存在不足，本发明提供了一种基于PCNN的隐蔽工程内部缺陷判断方法，把超声波训练数据集随机划分为奇数个子训练数据集，供多个神经网络模块进行训练，获取奇数个分类结果，依据大数定律进行判断，大大提高了对隐蔽工程内部缺陷判断的准确性，有效解决了传统神经网络中存在的误判率高的问题。

本发明是通过以下技术手段实现上述技术目的的。

一种基于PCNN的隐蔽工程内部缺陷判断方法，包括如下步骤：

步骤1：训练PCNN学习样本：建立原始超声波信号数据集S，并对其中的数字信号序列进行滤波处理，滤波处理后获得超声波训练数据集S′，从超声波训练数据集S′中随机抽取奇数组子训练数据集作为PCNN的训练样本；

步骤2：采用BPNN算法，利用子训练数据集对PCNN进行训练，获取对应的神经网络权重和偏向；

步骤3：将实时超声波信号数据输入训练好的PCNN中，进行隐蔽工程缺陷判断。

进一步地，所述PCNN以传统神经网络为基础，划分有多个NN神经网络模块，用于与奇数组子训练数据集进行一一对应的网络训练。

进一步地，所述子训练数据集有n组，分别为S′(1)、S′(2)……S′(n)，n为奇数，每组子训练数据集对应PCNN中的一个NN神经网络模块进行训练。

进一步地，所述PCNN中使用的激励函数为f(x)，

激励函数输出为1，表示PCNN未被激活；激励函数输出为0，表示PCNN被激活。

进一步地，所述滤波处理过程中，定义长度为奇数的长窗口L，L＝2N+1，N为正整数，设在某一时刻，窗口内的信号样本为X(b-N)……X(b)……X(b+N)，其中，X(b)为位于窗口中心的信号样本值。

进一步地，所述步骤2中训练的具体过程为：

步骤2.1：将PCNN权重和偏向初始化至-1到1之间；

步骤2.2：子训练数据集中的数据由PCNN的输入层向前传送，其中，非线性转换前本单元输出为I_j，输入层到隐藏层之间的权重为W_ij，上一单元输出的值为O_i，偏向为θ_j，I_j＝∑_iW_ijO_i+θ_j；其中，i表示输入层节点数，j表示隐藏层节点数；

对I_j进行非线性转换后作为下一单元输入O_j，

步骤2.3：根据误差反向传送：

对于输出层：Errj＝O_j(1-O_j)(T_j-O_j)；

对于隐藏层：Errj＝O_j(1-O_j)∑_kErrkW_jk；

其中，T_j表示标签的值，k表示输出层节点数，Errj表示隐藏层节点上的偏差函数，Errk表示输出层节点上的偏差函数，W_jk表示隐藏层到输出层之间的权重；

步骤2.4：进行权重更新：ΔW_ij＝(l)ErrjO_i；W_ij＝W_ij+ΔW_ij；其中，l表示学习率；进行偏向更新：Δθ_j＝(l)Errj；θ_j＝θ_j+Δθ_j；

当达到预设的循环次数后，训练结束，保存最终获得的权重和偏向。

进一步地，所述隐蔽工程缺陷判断具体过程为：

PCNN并行计算获得奇数个分类结果，分类结果包括NG和OK两类，依据大数定律，分类结果中出现次数最多的一类为确定的最终正确分类结果；最终分类结果为NG时，表明当前探测位置处的隐蔽工程内部存在缺陷；最终分类结果为OK时，表明当前探测位置处的隐蔽工程内部不存在缺陷。

本发明具有如下有益效果：

本发明提供了一种基于传统神经网络的PCNN算法，预测能力较好，通过把超声波训练数据集随机划分为奇数个子训练数据集，供多个神经网络模块进行一一对应训练，获得多个神经网络权重，进而获得奇数个分类结果，然后依据大数定律进行概率判断，大大提高了对隐蔽工程内部缺陷判断的准确性，有效解决了传统神经网络中存在的误判率高的问题。在隐蔽工程的探伤检测方面具有较好的应用前景，能够有效提高隐蔽工程缺陷判断的有效性，降低虚警情况出现的概率。

附图说明

图1为本发明所述概率集群神经网络示意图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

隐蔽工程审计中的无损探伤方法包括超声波探测、红外探测等，本发明以超声波探测到的信号数据为处理对象进行说明。

本发明所述基于PCNN的隐蔽工程内部缺陷判断方法，具体过程如下：

步骤1：训练超声波信号概率集群神经网络(PROBABILITY CLUSTER NEURALNETWORKS，PCNN)学习样本；PCNN以传统神经网络为基础，划分有多个NN神经网络模块，用于一一对应的网络训练，具体过程如下：

步骤1.1：建立原始超声波信号数据集S，对原始超声波信号数据集S中的数字信号序列进行滤波处理：定义长度为奇数的长窗口L，L＝2N+1，N为正整数，设在某一时刻，窗口内的信号样本为X(b-N)……X(b)……X(b+N)，其中，X(b)为位于窗口中心的信号样本值；原始超声波信号数据集S经滤波处理后获得超声波训练数据集S′；

步骤1.2：从超声波训练数据集S′中随机抽取n组子训练数据集，所述子训练数据集分别为S′(1)、S′(2)……S′(n)，n为奇数；将n组子训练数据集作为PCNN的训练样本，如图1所示，每组子训练数据集对应PCNN中的一个NN神经网络模块进行训练；

步骤2：PCNN中的NN神经网络模块并行学习训练数据集S′(1)、S′(2)……S′(n)，分别获取对应的神经网络权重W_ij1、W_ij2……W_ijn，具体过程如下：

步骤2.1：将PCNN权重和偏向初始化至-1到1之间，利用子训练数据集，采用BPNN算法对PCNN进行训练；

步骤2.2：子训练数据集中的数据由PCNN的输入层向前传送，其中，非线性转换前本单元输出为I_j，输入层到隐藏层之间的权重为W_ij，上一单元输出的值为O_i，偏向为θ_j，I_j＝∑_iW_ijO_i+θ_j；其中，i表示输入层节点数，j表示隐藏层节点数；

对I_j进行非线性转换后作为下一单元输入O_j，

步骤2.3：根据误差反向传送：

对于输出层：Errj＝O_j(1-O_j)(T_j-O_j)；

对于隐藏层：Errj＝O_j(1-O_j)∑_kErrkW_jk；

其中，T_j表示标签的值，k表示输出层节点数，Errj表示隐藏层节点上的偏差函数，Errk表示输出层节点上的偏差函数，W_jk表示隐藏层到输出层之间的权重；

步骤2.4：进行权重更新：ΔW_ij＝(l)ErrjO_i；W_ij＝W_ij+ΔW_ij；其中，l表示学习率；

进行偏向更新：Δθ_j＝(l)Errj；θ_j＝θ_j+Δθ_j；

当达到预设的循环次数后，训练结束，保存最终获得的权重和偏向；

步骤3：将探测到的实时超声波信号数据输入训练好的PCNN中，进行缺陷特征分类，具体过程如下：

PCNN并行计算获得奇数个分类值，在本实施例中即为n个分类结果，分类结果包括NG和OK两类，然后依据大数定律，分类结果中出现次数最多的一类为确定的正确分类。本实施例以3个NN神经网络模块为例进行说明，当3个NN神经网络模块计算得到的结果分别是NG、NG、OK时，依据大数定律确定本次分类结果为NG，则表明当前探测位置处的隐蔽工程内部存在缺陷；当3个NN神经网络模块计算结果分别是NG、OK、OK时，依据大数定律确定本次分类结果为OK，表明当前探测位置处的隐蔽工程内部不存在缺陷。

神经网络中使用最频繁的是激励函数，常用的激励函数包括sigmoid函数、tanh函数、深度学习的relu函数、Elu函数等，本发明所述概率集群神经网络还提出了一种快速收敛的激励函数f(x)：

用于判断概率集群神经网络是否被激活；当输入x趋于零时，输出为1，表示概率集群神经网络未被激活；当输入x趋于正无穷或负无穷时，输出为0，表示概率集群神经网络被激活。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (7)

1.一种基于PCNN的隐蔽工程内部缺陷判断方法，其特征在于，包括如下步骤：

步骤1：训练PCNN学习样本：建立原始超声波信号数据集S，并对其中的数字信号序列进行滤波处理，滤波处理后获得超声波训练数据集S′，从超声波训练数据集S′中随机抽取奇数组子训练数据集作为PCNN的训练样本；

步骤2：采用BPNN算法，利用子训练数据集对PCNN进行训练，获取对应的神经网络权重和偏向；

步骤3：将实时超声波信号数据输入训练好的PCNN中，进行隐蔽工程缺陷判断。

2.根据权利要求1所述的基于PCNN的隐蔽工程内部缺陷判断方法，其特征在于，所述PCNN为概率集群神经网络，以传统神经网络为基础，划分有多个NN神经网络模块，用于与奇数组子训练数据集进行一一对应的网络训练。

3.根据权利要求2所述的基于PCNN的隐蔽工程内部缺陷判断方法，其特征在于，所述子训练数据集有n组，分别为S′(1)、S′(2)……S′(n)，n为奇数，每组子训练数据集对应PCNN中的一个NN神经网络模块进行训练。

4.根据权利要求1所述的基于PCNN的隐蔽工程内部缺陷判断方法，其特征在于，所述PCNN中使用的激励函数为f(x)，

激励函数输出为1，表示PCNN未被激活；激励函数输出为0，表示PCNN被激活。

5.根据权利要求1所述的基于PCNN的隐蔽工程内部缺陷判断方法，其特征在于，所述滤波处理过程中，定义长度为奇数的长窗口L，L＝2N+1，N为正整数，设在某一时刻，窗口内的信号样本为X(b-N)……X(b)……X(b+N)，其中，X(b)为位于窗口中心的信号样本值。

6.根据权利要求1所述的基于PCNN的隐蔽工程内部缺陷判断方法，其特征在于，所述步骤2中训练的具体过程为：

步骤2.1：将PCNN权重和偏向初始化至-1到1之间；

步骤2.2：子训练数据集中的数据由PCNN的输入层向前传送，其中，非线性转换前本单元输出为I_j，输入层到隐藏层之间的权重为W_ij，上一单元输出的值为O_i，偏向为θ_j，I_j＝∑_iW_ijO_i+θ_j；其中，i表示输入层节点数，j表示隐藏层节点数；

对I_j进行非线性转换后作为下一单元输入O_j，

步骤2.3：根据误差反向传送：

对于输出层：Errj＝O_j(1-O_j)(T_j-O_j)；

对于隐藏层：Errj＝O_j(1-O_j)∑_kErrkW_jk；

其中，T_j表示标签的值，k表示输出层节点数，Errj表示隐藏层节点上的偏差函数，Errk表示输出层节点上的偏差函数，W_jk表示隐藏层到输出层之间的权重；

步骤2.4：进行权重更新：ΔW_ij＝(l)ErrjO_i；W_ij＝W_ij+ΔW_ij；其中，l表示学习率；进行偏向更新：Δθ_j＝(l)Errj；θ_j＝θ_j+Δθ_j；

当达到预设的循环次数后，训练结束，保存最终获得的权重和偏向。

7.根据权利要求1所述的基于PCNN的隐蔽工程内部缺陷判断方法，其特征在于，所述隐蔽工程缺陷判断具体过程为：

PCNN并行计算获得奇数个分类结果，分类结果包括NG和OK两类，依据大数定律，分类结果中出现次数最多的一类为确定的最终正确分类结果；最终分类结果为NG时，表明当前探测位置处的隐蔽工程内部存在缺陷；最终分类结果为OK时，表明当前探测位置处的隐蔽工程内部不存在缺陷。

Images