CN113008998B - 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 PDF

Info

Publication number
CN113008998B
CN113008998B CN202110230994.6A CN202110230994A CN113008998B CN 113008998 B CN113008998 B CN 113008998B CN 202110230994 A CN202110230994 A CN 202110230994A CN 113008998 B CN113008998 B CN 113008998B
Authority
CN
China
Prior art keywords
pcnn
training
neural network
training data
sub
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
Application number
CN202110230994.6A
Other languages
English (en)
Other versions
CN113008998A (zh
Inventor
陈荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NANJING AUDIT UNIVERSITY
Original Assignee
NANJING AUDIT UNIVERSITY
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NANJING AUDIT UNIVERSITY filed Critical NANJING AUDIT UNIVERSITY
Priority to CN202110230994.6A priority Critical patent/CN113008998B/zh
Publication of CN113008998A publication Critical patent/CN113008998A/zh
Application granted granted Critical
Publication of CN113008998B publication Critical patent/CN113008998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

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)，
Figure BDA0002958053640000021
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；
对Ij进行非线性转换后作为下一单元输入Oj，
Figure BDA0002958053640000022
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；
对Ij进行非线性转换后作为下一单元输入Oj，
Figure BDA0002958053640000041
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)：
Figure BDA0002958053640000042
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 (3)

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：训练超声波信号概率集群神经网络(PROBABILITY CLUSTER NEURAL NETWORKS，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；其中，PCNN是以传统神经网络为基础，划分有多个NN神经网络模块的网络结构，用于与奇数组子训练数据集进行一一对应的网络训练；
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；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；
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；
对Ij进行非线性转换后作为下一单元输入Oj，
Figure FDA0003828088470000011
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；
所述PCNN中使用的激励函数为快速收敛的激励函数f(x)，
Figure FDA0003828088470000021
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。
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。
3.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。
CN202110230994.6A 2021-03-02 2021-03-02 一种基于pcnn的隐蔽工程内部缺陷判断方法 Active CN113008998B (zh)

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 CN113008998A (zh) 2021-06-22
CN113008998B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
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

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411777B (zh) * 2011-06-15 2014-04-30 湖南领创智能科技有限公司 一种印刷品划痕缺陷检测方法
CN103489009B (zh) * 2013-09-17 2016-08-17 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
CN103914735B (zh) * 2014-04-17 2017-03-29 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
CN104036495B (zh) * 2014-05-22 2017-01-18 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
CN105118044B (zh) * 2015-06-16 2017-11-07 华南理工大学 一种轮形铸造产品缺陷自动检测方法
CN106295507B (zh) * 2016-07-25 2019-10-18 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
CN108631727B (zh) * 2018-03-26 2019-08-09 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

Also Published As

Publication number Publication date
CN113008998A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN112231562B (zh) 一种网络谣言识别方法及系统
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
CN111126386B (zh) 场景文本识别中基于对抗学习的序列领域适应方法
CN111651593A (zh) 基于词向量和字向量混合模型的文本情感分析方法
CN105975504A (zh) 一种基于循环神经网络的社交网络消息爆发检测方法及系统
CN110197205A (zh) 一种多特征来源残差网络的图像识别方法
CN108958217A (zh) 一种基于深度学习的can总线报文异常检测方法
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
CN115348074B (zh) 深度时空混合的云数据中心网络流量实时检测方法
CN110516735B (zh) 一种基于LSTM网络和Adam算法的天然气管道事件分类方法
CN112381763A (zh) 一种表面缺陷检测方法
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
CN114049305B (zh) 基于改进ALI和Faster-RCNN的配电线路销钉缺陷检测方法
CN112288700A (zh) 一种铁轨缺陷检测方法
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
CN113008998B (zh) 一种基于pcnn的隐蔽工程内部缺陷判断方法
CN111523586B (zh) 一种基于噪声可知的全网络监督目标检测方法
CN112668698A (zh) 一种神经网络的训练方法及系统
CN116152554A (zh) 基于知识引导的小样本图像识别系统
CN113177578A (zh) 一种基于lstm的农产品品质分类方法
CN117574262A (zh) 一种面向小样本问题的水声信号分类方法、系统及介质
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
Yi et al. Trust but verify: an information-theoretic explanation for the adversarial fragility of machine learning systems, and a general defense against adversarial attacks
CN115604025B (zh) 一种基于pli4da的网络入侵检测方法
CN116467930A (zh) 一种基于Transformer的结构化数据通用建模方法

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
GR01 Patent grant
GR01 Patent grant