CN113008998A - 一种基于pcnn的隐蔽工程内部缺陷判断方法 - Google Patents
一种基于pcnn的隐蔽工程内部缺陷判断方法 Download PDFInfo
- Publication number
- CN113008998A CN113008998A CN202110230994.6A CN202110230994A CN113008998A CN 113008998 A CN113008998 A CN 113008998A CN 202110230994 A CN202110230994 A CN 202110230994A CN 113008998 A CN113008998 A CN 113008998A
- Authority
- CN
- China
- Prior art keywords
- pcnn
- neural network
- training
- hidden
- training data
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
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
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Ij,输入层到隐藏层之间的权重为Wij,上一单元输出的值为Oi,偏向为θj,Ij=∑iWijOi+θj;其中,i表示输入层节点数,j表示隐藏层节点数;
步骤2.3:根据误差反向传送:
对于输出层:Errj=Oj(1-Oj)(Tj-Oj);
对于隐藏层:Errj=Oj(1-Oj)∑kErrkWjk;
其中,Tj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,Wjk表示隐藏层到输出层之间的权重;
步骤2.4:进行权重更新:ΔWij=(l)ErrjOi;Wij=Wij+ΔWij;其中,l表示学习率;进行偏向更新:Δθj=(l)Errj;θj=θj+Δθj;
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Wij1、Wij2……Wijn,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Ij,输入层到隐藏层之间的权重为Wij,上一单元输出的值为Oi,偏向为θj,Ij=∑iWijOi+θj;其中,i表示输入层节点数,j表示隐藏层节点数;
步骤2.3:根据误差反向传送:
对于输出层:Errj=Oj(1-Oj)(Tj-Oj);
对于隐藏层:Errj=Oj(1-Oj)∑kErrkWjk;
其中,Tj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,Wjk表示隐藏层到输出层之间的权重;
步骤2.4:进行权重更新:ΔWij=(l)ErrjOi;Wij=Wij+ΔWij;其中,l表示学习率;
进行偏向更新:Δθj=(l)Errj;θj=θj+Δθj;
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。
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Ij,输入层到隐藏层之间的权重为Wij,上一单元输出的值为Oi,偏向为θj,Ij=∑iWijOi+θj;其中,i表示输入层节点数,j表示隐藏层节点数;
步骤2.3:根据误差反向传送:
对于输出层:Errj=Oj(1-Oj)(Tj-Oj);
对于隐藏层:Errj=Oj(1-Oj)∑kErrkWjk;
其中,Tj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,Wjk表示隐藏层到输出层之间的权重;
步骤2.4:进行权重更新:ΔWij=(l)ErrjOi;Wij=Wij+ΔWij;其中,l表示学习率;进行偏向更新:Δθj=(l)Errj;θj=θj+Δθj;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110230994.6A CN113008998B (zh) | 2021-03-02 | 2021-03-02 | 一种基于pcnn的隐蔽工程内部缺陷判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110230994.6A CN113008998B (zh) | 2021-03-02 | 2021-03-02 | 一种基于pcnn的隐蔽工程内部缺陷判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113008998A true CN113008998A (zh) | 2021-06-22 |
CN113008998B CN113008998B (zh) | 2023-01-24 |
Family
ID=76402481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110230994.6A Active CN113008998B (zh) | 2021-03-02 | 2021-03-02 | 一种基于pcnn的隐蔽工程内部缺陷判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113008998B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114633774A (zh) * | 2022-03-30 | 2022-06-17 | 东莞理工学院 | 一种基于人工智能的轨道交通故障检测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411777A (zh) * | 2011-06-15 | 2012-04-11 | 夏东 | 一种印刷品划痕缺陷检测方法 |
CN103489009A (zh) * | 2013-09-17 | 2014-01-01 | 北方信息控制集团有限公司 | 基于自适应修正神经网络的模式识别方法 |
CN104036495A (zh) * | 2014-05-22 | 2014-09-10 | 南京航空航天大学 | 一种焊接缺陷提取方法及焊接缺陷检测方法 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
WO2016201947A1 (zh) * | 2015-06-16 | 2016-12-22 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
CN106295507A (zh) * | 2016-07-25 | 2017-01-04 | 华南理工大学 | 一种基于集成卷积神经网络的性别识别方法 |
CN108631727A (zh) * | 2018-03-26 | 2018-10-09 | 河北工业大学 | 一种基于卷积神经网络的太阳能电池板缺陷识别方法 |
-
2021
- 2021-03-02 CN CN202110230994.6A patent/CN113008998B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411777A (zh) * | 2011-06-15 | 2012-04-11 | 夏东 | 一种印刷品划痕缺陷检测方法 |
CN103489009A (zh) * | 2013-09-17 | 2014-01-01 | 北方信息控制集团有限公司 | 基于自适应修正神经网络的模式识别方法 |
WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN104036495A (zh) * | 2014-05-22 | 2014-09-10 | 南京航空航天大学 | 一种焊接缺陷提取方法及焊接缺陷检测方法 |
WO2016201947A1 (zh) * | 2015-06-16 | 2016-12-22 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
CN106295507A (zh) * | 2016-07-25 | 2017-01-04 | 华南理工大学 | 一种基于集成卷积神经网络的性别识别方法 |
CN108631727A (zh) * | 2018-03-26 | 2018-10-09 | 河北工业大学 | 一种基于卷积神经网络的太阳能电池板缺陷识别方法 |
Non-Patent Citations (2)
Title |
---|
S. RAMAKRISHNAN · IBRAHIEM M.M. EL EMARY: "Comparative study between traditional and modified probabilistic neural networks", 《TELECOMMUN SYST》 * |
陈荣等: "隐蔽工程复合内窥数据融合技术框架研究", 《计算机工程与应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114633774A (zh) * | 2022-03-30 | 2022-06-17 | 东莞理工学院 | 一种基于人工智能的轨道交通故障检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113008998B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112231562B (zh) | 一种网络谣言识别方法及系统 | |
CN111275113B (zh) | 基于代价敏感混合网络的偏斜类时间序列异常检测方法 | |
CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
CN109523013B (zh) | 基于浅层卷积神经网络的空气颗粒物污染程度估计方法 | |
US20150134578A1 (en) | Discriminator, discrimination program, and discrimination method | |
CN113657561B (zh) | 一种基于多任务解耦学习的半监督夜间图像分类方法 | |
CN111651593A (zh) | 基于词向量和字向量混合模型的文本情感分析方法 | |
CN111914090B (zh) | 一种企业行业分类识别及其特征污染物识别的方法及装置 | |
CN112488025B (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
CN111783841A (zh) | 基于迁移学习和模型融合的垃圾分类方法、系统及介质 | |
CN112820322B (zh) | 一种基于自监督对比学习的半监督音频事件标注方法 | |
CN115018348A (zh) | 基于人工智能的环境分析方法、系统、设备及存储介质 | |
CN112668698A (zh) | 一种神经网络的训练方法及系统 | |
Zhang et al. | Surface Defect Classification of Steel Strip with Few Samples Based on Dual‐Stream Neural Network | |
CN112288700A (zh) | 一种铁轨缺陷检测方法 | |
CN113008998B (zh) | 一种基于pcnn的隐蔽工程内部缺陷判断方法 | |
CN116152554A (zh) | 基于知识引导的小样本图像识别系统 | |
CN115659966A (zh) | 基于动态异构图和多级注意力的谣言检测方法及系统 | |
CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 | |
CN113177578A (zh) | 一种基于lstm的农产品品质分类方法 | |
CN109543571B (zh) | 一种面向复杂产品异形加工特征的智能识别与检索方法 | |
CN116467930A (zh) | 一种基于Transformer的结构化数据通用建模方法 | |
CN116403090A (zh) | 一种基于动态锚框和Transformer的小尺寸目标检测方法 | |
CN113177599B (zh) | 一种基于gan的强化样本生成方法 | |
CN113095381B (zh) | 一种基于改进型dbn的水声目标辨识方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |