改进遗传BP网络在涡流检测中的应用

　　涡流检测作为一种非破坏性检测方法,在金属材料无损检测领域得到了广泛应用,但影响涡流检测的因素很多,所以涡流检测的定性,尤其是定量检测一直是一个难点。目前,国内常用的方法为标定曲线法。标定曲线法是将检测到的信号与缺陷参数已知的标准信号进行比较,以此来判定缺陷。这种方法主要依靠操作人员的经验,所以易造成漏判和误判,限制了涡流检测技术的进一步发展。人工神经网络技术的出现为缺陷定量识别创造了条件。

　　目前广泛采用的是基于BP算法的多层前馈神经网络。它的基本思想是利用最小二乘学习算法,使用梯度搜索技术,实现网络的实际输出与期望输出均方差的最小化。这种算法的缺点是,它使用了梯度搜索为寻优途径,一旦神经网络的输入输出映射关系复杂,误差能量函数在其空间中的全局最小点附近将出现许多局部极小点。如果神经网络的权系数初值设置不当,就很容易使学习过程收敛慢甚局部极小点,导致神经网络进入错误的工作状态,不能正确识别大量未知的输入模式。

　　遗传算法(GA)是一种借鉴生物进化思想的高度并行、随机、自适应搜索算法。GA从多初始点开始进行并行操作,可防止搜索过程收敛于局部最优解,特别适合于处理传统搜索方法解决不了的复杂非线性优化问题^[1,2]。因此,GA可克服BP算法易陷入局部极小的缺点。下面研究将GA作为神经网络的学习算法,使之应用于涡流检测的缺陷识别。

　　1　GA神经网络的原理

　　遗传BP网络是将GA作为神经网络的学习算法,对神经网络的权系数和阈值进行编码,形成所谓染色体,然后模拟自然界的进化过程,对染色体进行选择、交叉和变异操作,使染色体不断进化,最终产生代表最优解的染色体,也就是网络权值和阈值。

　　2　GA神经网络的实现

　　遗传算法通过两种方式应用到神经网络设计中^[1]。一种是利用遗传算法优化已知结构的网络权重,另一种是利用遗传算法优化神经网络结构。笔者采用的是第一种优化方法。

　　分别应用线圈阻抗增量的幅值和相位识别缺陷长度和深度,所以神经网络的输出神经元个数为1。

　　(1)编码　采用实数编码,能有效减小染色体长度,缩短运行时间。

　　(2)适应度函数　先计算出神经网络中全部训练样本的实际输出与期望输出的误差平方和E,即

　　式中　M———训练样本数

　　d,y———网络的期望输出与实际输出然后定义F=1/E作为评价个体优劣的适应度函数。

　　(3)杂交率Pc和变异率Pm的自适应算法　在传统的遗传算法中,杂交率Pc和变异率Pm都保持定值。近年来的研究表明^[3~5],Pc和Pm对系统性能的影响极大,因此该系统采用了自适应算法。其基本思想是使Pc和Pm在进化过程中根据种群的实际情况,随时调整大小。其具体做法为,当种群趋于收敛时,增大Pc和Pm,破坏当前的稳定性,克服过早收敛;当种群个体发散时,减小Pc和Pm,使个体趋于收敛。其调整公式如下