ART一2网络在超声检测信号分析中的应用

　　1引言

　　超声波检测是目前应用较为广泛的探伤手段，在实际操作中，判断缺陷的性质对材料的加工和制造具有非常重要的意义[l]，而目前普遍使用的探伤仪器，无法直接判断缺陷的性质。计算机和模式识别理论的发展给缺陷性质的自动识别带来了可能，现有的基于主成分分析、模糊聚类分析、BP网络识别、小波分析等方法的探索[zl，都为我们从不同的的方面提供了思路。然而由于缺陷定性本身的复杂性，目前还没有一种通用且有效的方法。本文将ART一2网络用于缺陷识别，旨在探索一种思路和方法。

　　2自适应谐振神经网络

　　自适应谐振神经网络(ART即AdaPtiVeResonanceTheory)是基于美国Boston大学的S·Grossberg和A.Carpenter于1976年提出的自适应共振理论构造的[s]。利用生物神经细胞之间自兴奋和侧抑制的动力学原理，让输入模式通过网络双向连接权进行识别与比较，最后达到共振来实现记忆，并以相同方法实现网络的联想。这种网络实际上是一个模式分类器，每当网络接受外界的一个输入向量时，它就对该向量所表示的模式进行识别，并将它归入某已知类别的模式匹配的类中去;如果它不与任何已知类别的模式匹配，则为它建立一个新的类。如果一个新输入的模式与某一个已知类别的模式近似匹配，则将它归入该类的同时，还要对已知类别的模式向量进行调整，以使它与新模式更相似。

　　2.2ART一2及其实现算法

　　ART一2是ART一1的扩展，用于处理各分量取连续值的向量，图1为其结构图[s]，ART一2神经网络包含注意子系统和调整子系统，通过调整警戒参数可以按照任意精度对输入模拟量进行分类。

　　2.2.1ART一2的参数设计

　　(l)警戒参数的选择

　　在ART一2网络的运行中，警戒参数p是判断输入模式是否属于记忆中的某一类原型的指标，体现了ART一2网络对每一类数据的描述精度。其值越大，则描述精度越高，但输出类别也越多，系统运行的负担也越大。因此，p的选择必须在两者之间折中。一般p的取值为0.95以上，可很好地保证类别的总体判决界面的精确性;如果此时的输出类别过多，使得系统的控制变得复杂，则可以根据实际进行调整。

　　(2)参数0，a和b的选择类结果。

　　其中|OA|=a，|OB|=b，OA与OB的夹角为0。

　　这几个参数大多根据经验和通过实验来确定。0为滤波阂值如图2所示，可初选为:

　　式中，N为输入观察向量的维数。

　　实验表明，。和b选得很小，p也很小时，分类结果不能稳定。如果按上式选择0，且选择。二b=10，。=0.1，d二0.9，那么在警戒参数p选各种数值的情况下都能获得稳定的分类结果。