蟻群神經網絡在渦流無損檢測中的應用

　　摘要：本文針對RBF神經網絡參數(shù)選取問題，提出蟻群智能算法優(yōu)化RBF神經網絡，該算法利用正反饋機制迅速確定較優(yōu)中心節(jié)點，同時利用其分布式計算特點避免算法過早的收斂。在渦流無損檢測中的應用表明：蟻群算法提高了中心節(jié)點的聚類質量，優(yōu)化了RBF網絡結構，提高了識別的精度，應用效果良好。
　　關鍵詞：RBF神經網絡 蟻群算法 渦流無損檢測
　　中圖分類號：TB302文獻標識碼：A文章編號：1672-3791（2012）09（c）-0004-02
　　渦流無損檢測以電磁感應理論為基礎，通過渦流的變化檢測被檢材料近表面有無缺陷，并通過對缺陷信號的分析，判斷缺陷形狀甚至對其發(fā)展趨勢做出預測。目前，渦流無損檢測技術已經廣泛應用于壓力容器、核電站熱交換管道、飛機結構等導電材料近表面缺陷的檢測中。對缺陷信號的特征識別是檢測中的關鍵技術，也是制約渦流檢測技術發(fā)展的一大難題。近年來，神經網絡技術在特征識別方面得到了較多的應用[1]。徑向基函數(shù)（Radial Basis Function，RBF）神經網絡是一種前饋神經網路，因其具有結構簡單、計算量少、學習速度快、泛化能力強、訓練時間短等優(yōu)點己被成功應用于無損檢測領域。決定RBF網絡性能的主要參數(shù)有兩個：一是徑向基函數(shù)中心利寬度；二是輸出權值，它們直接關系著輸出結果的精確度和收斂速度。一般來說，徑向基函數(shù)中心通常用聚類的方法獲得，但傳統(tǒng)算法受選擇的聚類中心、樣品幾何性質及排列次序影響極大，并且由于聚類數(shù)目無法確定導致網絡泛化能力不強。因此尋找確定網絡中心的合理方法成為設計RBF網絡的首要問題。本文采用了蟻群算法來確定RBF網絡中心。蟻群算法作為一種隨機優(yōu)化方法，不需要任何先驗知識，最初只是隨機的選擇搜索路徑，隨著對空間的了解，搜索更加具有規(guī)律性，最終得到全局最優(yōu)解[2～5]—— 這不僅可以加快聚類速度，而且使聚類中心更加優(yōu)化。仿真結果表明，采用蟻群算法確定RBF中心及節(jié)點寬度，提升了網絡魯棒性和訓練度，從而較好地完成了渦流無損檢測。
　　1 蟻群算法概述
　　蟻群算法（又稱蟻群系統(tǒng)）是受到自然界中真實蟻群集體行為的啟發(fā)，利用蟻群通過個體間的信息傳遞、搜索從蟻穴到食物間的最短路徑的集體尋優(yōu)特征，來解決組合優(yōu)化問題。蟻群算法本質上是一種模擬進化算法，它結合了分布式計算、正反饋機制和貪婪搜索的搜索算法，具有不易陷入局部最優(yōu)，快速得到最優(yōu)解，縮短搜索時間的優(yōu)點[3]。
　　蟻群算法基本思想：螞蟻從不同的路徑去尋找食物源，在走過的路徑上留下信息素，使得一定范圍內的其他螞蟻能夠覺察并由此影響未來的行為。某個路徑上通過的螞蟻越多，留下的信息素也越多，該路徑被其他螞蟻選擇的概率也越高；動態(tài)調整各路徑上的信息素，蒸發(fā)掉信息素少的，最終，根據(jù)各路徑上的信息素的多少來確定最優(yōu)（短）路徑[4]。
　　（4）根據(jù)式（3），計算ci合并到cj的概率。
　　（5）判斷是否成立。若成立，將cj類歸并到ci類，類別數(shù)CenterNum減1，而后重新計算歸并后的RBF聚類中心。
　　（6）若沒有歸并或達到最大迭代次數(shù)，則停止循環(huán)，否則轉第（2）步繼續(xù)迭代。
　　（7）確定隱層節(jié)點寬度。，其中為第i個聚類中心與其他最近的聚類中心之間的最短距離，既，A為常數(shù)。
　　4 優(yōu)化算法在渦流無損檢測中的應用
　　本文采用蟻群神經網絡對板材進行渦流無損檢測，其系統(tǒng)工作原理如下：探頭從板材的一端移動到另外一端，采集電壓和電流信號，通過放大器將其放大、濾波，通過對信號的處理得到探頭的阻抗增量。通過實驗發(fā)現(xiàn)：線圈阻抗增量的幅值主要受缺陷的長度影響，而阻抗增量的相位主要受缺陷深度的影響。之后，將小波多尺度邊緣檢測方法得到的信號特征值作為RBF網絡的輸入樣本[7]，經過神經網絡訓練得到缺陷特征值。
　　本實驗在深度固定條件下通過神經網絡來判斷缺陷的長度。訓練樣本為長度范圍為12～35mm的56組數(shù)據(jù)；檢驗樣本為深度4mm，長度不同的8組數(shù)據(jù)。每只螞蟻對應一組訓練樣本，最終確定出RBF中心即螞蟻找到了通往的食物源的最優(yōu)路徑。為檢驗RBF網絡性能，本文將其和OLS算法進行對比[8]，結果如表1所示。
　　通過表可以看出，應用蟻群算法后，RBF網絡結構得到優(yōu)化。OLS算法得到的網絡結構為8×41×1，蟻群算法結構為8×25×1。并且網絡魯棒性和訓練速度也得劍了改善。
　　5 結論
　　蟻群優(yōu)化算法是近年來才提出的一種基于種群尋優(yōu)的啟發(fā)式搜索算法。它利用自然進化機制來表現(xiàn)復雜現(xiàn)象，結合分布式汁算、正反饋機制利貪婪式搜索算法，使算法不容易陷入局部最優(yōu)并且收斂速度快。本文采用蟻群算法優(yōu)化RBF網絡中心后，通過與OLS算法對比表明：采用蟻群算法的RBF網絡結構更優(yōu)，網絡魯棒性和精度得到了提高，仿真效果更為良好。
　　參考文獻
　　[1]施克仁，何朝輝.人工網絡在渦流檢測信號處理中的應用[J].無損檢測，1996，18（7）：199-201.
　　[2]洪炳熔，會飛虎，高慶吉.基于蟻群算法的多層前饋神經網絡[J].哈爾濱工業(yè)大學學報，2003，35（7）：823-825.
　　[3]Dorigo M，Gambardella L M.Ant colony system：a cooperativc learning approach to the traveling salesman problem. IEEE Transon Evolutionary Computation，1997，1（1）：53-66.
　　[4]Jayaraman V K，Kulkarni B D， Karale S，et al.Ant colony frame work of optimal design and scheduling of batch plants[J].Computers and Chemical Engineering，2000，7（24）：1901-1912.
　　[5]王劍，李平，楊春節(jié).蟻群算法的理論與應用[J].機電工程，2003，20（5）：126-129
　　[6]周美蘭，敖雪.基于蟻群神經網絡的電控發(fā)動機故障診斷研究[J].黑龍江大學自然科學學報，2011，28（3）：415-420.
　　[7]孫曉云，曾禮，劉東輝，等.渦流無損檢測中快速識別方法的研究[J].電工電能新技術，2002，21（2）：64-67.
　　[8]劉文菊，郭景.RBF神經網絡選取OLS算法的研究[J].天津工業(yè)大學學報，2002（21）：72-7