首页 | 新闻 | 新品 | 文库 | 方案 | 视频 | 下载 | 商城 | 开发板 | 数据中心 | 座谈新版 | 培训 | 工具 | 博客 | 论坛 | 百科 | GEC | 活动 | 主题月 | 电子展
返回列表 回复 发帖

多传感器数据融合在漏磁信号采集与处理中的应用(2)

多传感器数据融合在漏磁信号采集与处理中的应用(2)

小波阈值去噪

小波去噪的方法主要通过设置阈值来实现,对漏磁信号的离散小波变换,计算所有小波系数,剔除被认为与噪声有关的小波系数,然后通过小波变换的逆变换得到信号。对于给定的信号,选取阈值的方法很多,本文使用的是基于Stein无偏风险估计值最小化(SURE)的方法:

式中的阈值t,得到它的是似然函数,然后使似然函数最小化,得到所需阈值。在VISU的方法中阈值的选取固定不变,而在SURE方法中,阈值是自适应变化的,可以更好地降低噪声对缺陷信号的影响[4]。根据经过小波处理后的漏磁信号缺陷波形,可以提取出缺陷的特征向量,用以作为神经网络融合中心的输入。数据融合可根据融合的层次和实际内容将其分成像素层融合、特征层融合和决策层融合。本文把经过小波降噪处理后的信号通过RBF神经网络融合中心进行特征级融合,以对信号进行定量分析。

神经网络融合算法

常用的数据融合方法包括神经网络、聚类算法或模板法。其中,人工神经网络具有学习、记忆、联想、容错、并行处理等卓越功能,在拓扑结构、权重自适应等方面应用灵活,已在计量测试仪器标定、故障诊断中获得广泛应用。在多传感器测量系统中,采用数据融合技术可为系统带来多方面的益处[5],如增强系统的稳定性、增加系统的可信度及提高系统的检测能力。由于BP神经网络收敛速度慢,网络训练时间较长,且存在局部极小值的问题,RBF神经网络比BP神经网络具有更快的学习特征,其逼近能力更强。因此,本系统选用RBF神经网络作为融合中心的特征层融合器进行融合训练。

神经网络结构
神经网络结构图如图2所示,第一层为输入层,用作特征信息融合信息采集,构成输入样本空间X;第二层为隐含层,用作将输入样本空间映射为高维的径向基函数空间,即对输入信息空间X进行特征提取。隐含层节点参数向量包括中心值Ci和标准偏差δi;第三层为输出层,ωi为第i个基函数与输出节点的连接权值,输出为Y,径向基函数选择高斯函数,如下:

式中,m为隐含层节点数, ‖?‖为欧几里德范数。
神经网络学习过程分为两个阶段:第一阶段,根据所有的输入样本确定径向基函数及其参数,即确定隐含层各节点的高斯函数的中心值和标准偏差;第二阶段,在确定隐含层各参数后,根据样本,采用梯度下降算法,求出输出层的权值。

神经网络算法主要是通过调整连接权值,使输出层与期望输出逐渐趋于一致。根据最小均方差原理(MSE),当误差指标处于某一个范围之内时,则可以停止运算,表示网络训练成功。

神经RBF网络参数选取及权值更新
在融合中心,RBF神经网络的结构参数有径向基函数的隐含层节点数、中心值和标准偏差。节点数越多,学习能力越强,合理的节点数可通过训练得到最佳值。确定中心值和标准偏差可采用简单有效的聚类算法K-均值聚类算法。该方法具有实现简便、运算量较小、抗噪声能力强以及识别率高等优点,可以很好地解决建模样本分布不合理的问题。标准偏差的大小影响径向基函数对输入的响应,标准偏差太小则基函数只能对输入数据附近的很小区域做出响应,标准偏差过大则可能丢失固有的局部信息,模型精度也较差,因此标准偏差的选取应在一个稳定区间内进行。

式中,p(xj)为第j个训练样本的期望输出;y(xj)为网络实际输出,n为训练样本总数。

式中,Yi(xj)为隐含层第i个基函数的输出; 为连接权值ωi的更新值;η为学习步长,一般为在0.2~0.9之间选取[7]。
实验仿真分析
本文采用MATLAB软件进行仿真实验,通过提供的40组人工裂缝的样本,对RBF神经网络系统进行训练学习和模式识别,并在学习初期对输入数据进行了预处理,通过样本训练逐渐生成最佳的RBF期网络[8]。另取10组测试样本数据作为输入,用MATLAB软件进行模拟仿真,同时利用RBF神经网络对其进行深度评估,并与常规BP神经网络进行对比。
仿真实验结果表明:利用RBF神经网络融合能比较精确地检测到信号缺陷深度,在学习能力和检测精度上,RBF神经网络均优于常规BP神经网络,该方法的平均绝对误差一般为2.69%,而常规BP神经网络的平均绝对误差为5.47%。可见,前者检测效果明显好于后者。
在漏磁缺陷信号中,利用小波降噪预处理可以在有效降低噪声影响的同时,最大程度上保留了缺陷的特征信息;采用漏磁传感器阵列,一定程度上克服了原有单传感器系统的检测误差;基于RBF神经网络的漏磁信号数据融合处理,可对裂纹深度检测的同时进行定量分析。实验结果表明,RBF 神经网络不仅具有很快的学习速度, 而且能够有效地提高检测的精度和准确率,消除信息的不确定性,提高传感器的可靠性。


返回列表