針對(duì)超聲波檢測(cè)的儲(chǔ)罐缺陷的面積量化問(wèn)題,提出一種改進(jìn)的儲(chǔ)罐腐蝕缺陷面積量化模型。該模型利用XGBoost的特征重要度對(duì)人工神經(jīng)網(wǎng)絡(luò)(ANN)的參數(shù)進(jìn)行先驗(yàn)初始化實(shí)現(xiàn)ANN模型的改進(jìn)。該模型可以更快的收斂,并且提高準(zhǔn)確率。按照國(guó)家標(biāo)準(zhǔn)設(shè)計(jì)實(shí)驗(yàn)平臺(tái),獲取實(shí)驗(yàn)信號(hào),并提取信號(hào)的統(tǒng)計(jì)特征得到特征數(shù)據(jù)集,利用數(shù)據(jù)集訓(xùn)練和測(cè)試改進(jìn)的模型,并與傳統(tǒng)模型進(jìn)行對(duì)比。通過(guò)實(shí)驗(yàn)驗(yàn)證得出,改進(jìn)的ANN模型能夠更快的收斂,并且準(zhǔn)確量化缺陷面積,相比于ANN量化模型,在訓(xùn)練集上準(zhǔn)確率提高了17.9%,達(dá)到了98.3%,在測(cè)試集上提高了16.6%,達(dá)到了92.2%。

【文章頁(yè)數(shù)】：7 頁(yè)

【文章目錄】：
0 引 言
1 超聲波檢測(cè)介紹
2 基于XGBoost特征重要度的單神經(jīng)元
3 基于XGBoost特征重要度的ANN模型的構(gòu)建
4 實(shí)驗(yàn)
    4.1 超聲波信號(hào)的采集和處理
    4.2 特征提取
    4.3 模型的訓(xùn)練和測(cè)試
5 結(jié)果與討論
6 結(jié) 論



本文編號(hào)：3766503