【摘要】：激光超聲檢測技術(shù)具有高靈敏度、非接觸性、超聲信號模式豐富、檢測分辨率高等優(yōu)點，是工業(yè)質(zhì)量監(jiān)測、工業(yè)生產(chǎn)安全的重要保障。在激光超聲表面缺陷檢測的實驗中，我們獲得的超聲信號往往是高維小樣本的。應用傳統(tǒng)的信號處理和模式識別方法對這種數(shù)據(jù)進行分析，往往是低效率甚至無效的。因此，研究適用于這種高維小樣本數(shù)據(jù)的特征提取和分類識別算法，成為激光超聲缺陷識別的主要問題。 本文應用自行構(gòu)建的激光超聲缺陷檢測實驗系統(tǒng)進行缺陷檢測實驗，利用實驗獲得的激光超聲表面缺陷的反射波和透射波信號，進行超聲缺陷信號的有效特征提取和高泛化能力、高準確率的分類識別算法研究。本文主要研究內(nèi)容包括： （1）傳統(tǒng)的信號處理方法受信號的平穩(wěn)性和工作環(huán)境等因素的限制，應用于激光超聲信號時具有一定的局限性和不穩(wěn)定性。同時，對于缺陷信號提取的特征的衡量與評定仍處于探索階段。因此，我們提出了一種有監(jiān)督的Kohonen網(wǎng)絡，應用其高度的非線性映射能力和智能處理能力，對超聲信號進行自適應的學習與分類。多次交叉實驗結(jié)果表明，有監(jiān)督的Kohonen網(wǎng)絡能有效的實現(xiàn)對缺陷信號的特征學習與分類，并且具有很好的泛化能力。 （2）由于激光超聲缺陷信號的高維性直接影響了算法的時間復雜度和空間復雜度，進而可能導致算法的無效。據(jù)此，我們采用KPCA，一種非線性主成分提取算法對缺陷信號數(shù)據(jù)進行降維處理，然后應用SVM算法進行分類識別。多次交叉實驗結(jié)果表明，基于KPCA和SVM的算法能夠?qū)崿F(xiàn)快速準確的分類識別。 （3）相對于KPCA這種基于方差進行主成分提取的方法，我們引入了一種基于信息熵進行主成分提取的方法—KECA，，并將這種特征提取及降維方法應用于激光超聲缺陷信號處理中。多次交叉實驗表明，這種基于KECA和SVM的方法分類準確率高、復雜度低、泛化能力強。與KPCA進行對比，我們發(fā)現(xiàn)在選取相同數(shù)量的主成分時，KECA方法可以獲得更高的特征貢獻率。表明，應用KECA方法提取的主成分的特征代表性更加明顯。
【學位授予單位】：中北大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TN249;O426.9

【參考文獻】

相關(guān)期刊論文 前10條

1 羅小波;鄧磊;楊富平;;基于Kohonen神經(jīng)網(wǎng)絡的遙感影像監(jiān)督分類[J];重慶郵電大學學報(自然科學版);2011年05期

2 孫宜權(quán);張英堂;李志寧;李志偉;尹剛;楊寧;;基于核主成分分析的柴油機技術(shù)狀態(tài)評估[J];車用發(fā)動機;2012年02期

3 付華;池繼輝;;基于激光超聲表面波的模具微裂紋無損檢測的研究[J];光電子技術(shù);2010年01期

4 羅玉昆;羅詩途;羅飛路;潘孟春;;激光超聲信號去噪的經(jīng)驗模態(tài)分解實現(xiàn)及改進[J];光學精密工程;2013年02期

5 李月;彭蛟龍;馬海濤;林紅波;;過渡內(nèi)蘊模態(tài)函數(shù)對經(jīng)驗模態(tài)分解去噪結(jié)果的影響研究及改進算法[J];地球物理學報;2013年02期

6 丁攀;呂福在;項占琴;;基于小波包分解和支持向量機的石油套管缺陷智能識別[J];鋼鐵研究學報;2012年05期

7 張小云,劉允才;高斯核支撐向量機的性能分析[J];計算機工程;2003年08期

8 趙建華;李偉華;;有監(jiān)督SOM神經(jīng)網(wǎng)絡在入侵檢測中的應用[J];計算機工程;2012年12期

9 王嘉宇;管荷蘭;陳焱;;激光超聲技術(shù)及其在材料缺陷檢測中的應用[J];科技信息;2010年01期

10 麻書欽;;基于Kohonen神經(jīng)網(wǎng)絡算法的網(wǎng)絡入侵聚類算法的測試研究[J];中國測試;2013年04期

相關(guān)博士學位論文 前1條

1 戴永;基于激光超聲檢測金屬材料表面缺陷的數(shù)值模擬[D];江蘇大學;2011年

本文編號：2563295