發(fā)布時間：2017-10-22 04:13

  本文關(guān)鍵詞：基于EMD和GA-SVM的超聲檢測缺陷信號識別

  更多相關(guān)文章： 缺陷信號識別 遺傳算法 支持向量機 經(jīng)驗模態(tài)分解

【摘要】：為提高金屬探傷時對缺陷的識別能力,提出一種遺傳優(yōu)化支持向量機,結(jié)合經(jīng)驗模態(tài)分解(EMD),對超聲波缺陷信號進行自動識別。首先進行經(jīng)驗模態(tài)分解法分解,提取出原始信號特征,構(gòu)建特征向量。鑒于常用的神經(jīng)網(wǎng)絡模型識別率不高及支持向量機參數(shù)難確定的問題,利用遺傳算法優(yōu)化支持向量機模型(GA-SVM)的懲罰因子和核參數(shù),提高支持向量機建模精度。分別采用神經(jīng)網(wǎng)絡模型、SVM模型和GA-SVM模型對特征向量進行訓練與測試,GASVM模型識別率達到98.437 5%,優(yōu)于神經(jīng)網(wǎng)絡方法和未改進的交叉驗證法SVM模型。試驗結(jié)果表明:遺傳算法能有效提高支持向量機的性能,在小樣本條件下能夠提高超聲缺陷的識別率。
【作者單位】： 華北電力大學自動化系;
【關(guān)鍵詞】： 缺陷信號識別 遺傳算法 支持向量機 經(jīng)驗模態(tài)分解
【分類號】：TB559;TP18
【正文快照】： 0引言超聲檢測由于其穿透力強、檢測靈敏度高、使用方便等優(yōu)勢得到廣泛使用,如對缺陷大小、形狀、位置、類型等的無損評判[1]。目前,超聲定位分析技術(shù)比較成熟,缺陷的定性自動識別已成為超聲檢測和模式識別領域的研究熱點�，F(xiàn)實作業(yè)中,超聲定性評定通常由專業(yè)工程師通過肉眼和

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 劉清坤;闕沛文;郭華偉;宋壽鵬;;基于支持向量機和特征選擇的超聲缺陷識別方法研究[J];中國機械工程;2006年01期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 姚凱;基于金屬磁記憶法的鐵磁材料早期損傷檢測與評價的實驗研究[D];北京交通大學;2014年

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張子寧;單甘霖;段修生;張岐龍;;基于改進遺傳算法的支持向量機特征選擇[J];電子產(chǎn)品世界;2010年Z1期

2 王凌云;黃紅輝;王雪;謝志江;;重軌表面缺陷機器視覺檢測的關(guān)鍵技術(shù)[J];重慶大學學報(自然科學版);2007年09期

3 王雪;岳海峰;謝志江;程力e，

本文編號：1076694