神經(jīng)網(wǎng)絡(luò)集成在玻殼分類中的應(yīng)用

程聰 白鑫

摘要：玻殼的各項尺寸數(shù)據(jù)直接影響彩色顯像管的圖像真實性、清晰度、安全性和整機裝配質(zhì)量。

關(guān)鍵詞：Bagging；Boosting；神經(jīng)網(wǎng)絡(luò)；玻殼；分類1對玻殼分類的分析

1.1 BP神經(jīng)網(wǎng)絡(luò)對玻殼分類的分析

神經(jīng)網(wǎng)絡(luò)能夠很好地對數(shù)據(jù)集合中含有噪聲的傳感器數(shù)據(jù)進行學習。利用傳感器對玻殼進行測量得到相應(yīng)的尺寸數(shù)據(jù)，玻殼有兩種類型廢品和良品。利用BP神經(jīng)網(wǎng)絡(luò)對玻殼數(shù)據(jù)進行分類時，把玻殼上每個點的尺寸數(shù)據(jù)作為輸入，玻殼的類型作為目標輸出，并設(shè)目標值為0和1。

利用量規(guī)測量玻殼的尺寸數(shù)據(jù)，尺寸數(shù)據(jù)包括錐周邊數(shù)據(jù)、錐管頸數(shù)據(jù)、屏周邊數(shù)據(jù)和屏平坦度數(shù)據(jù)等等。本文利用Bagging集成神經(jīng)網(wǎng)絡(luò)對玻殼進行分類。

1.2 集成神經(jīng)網(wǎng)絡(luò)對玻殼分類的分析

神經(jīng)網(wǎng)絡(luò)集成可以顯著提高學習器的精度和泛化能力，避免陷入局部極小值。神經(jīng)網(wǎng)絡(luò)集成對玻殼分類可以克服BP神經(jīng)網(wǎng)絡(luò)在玻殼數(shù)據(jù)分類中存在的一些問題，并能提高玻殼分類的精度和泛化能力，提高玻殼品位，降低誤判率。假設(shè)有n個獨立的神經(jīng)網(wǎng)絡(luò)集成的分類器，其中每個網(wǎng)絡(luò)的錯誤概率為p，且網(wǎng)絡(luò)之間錯誤是獨立不相關(guān)的，則在采用絕對多數(shù)投票法集成[2]時，設(shè)神經(jīng)網(wǎng)絡(luò)集成的誤差率為erro，見公式（1-1）

只要p<0.5，則錯誤概率erro隨集成規(guī)模N增大而單調(diào)遞減。因此，只有集成中成員網(wǎng)絡(luò)的預(yù)測精度都高于0.5，且單個網(wǎng)絡(luò)之間錯誤不相關(guān)，則神經(jīng)網(wǎng)絡(luò)集成中的網(wǎng)絡(luò)數(shù)目越多，集成的精度就越高。當n趨向于無窮時，集成的錯誤率趨于0。

針對集成神經(jīng)網(wǎng)絡(luò)對玻殼分類的方法進行了研究，利用這種方法來判定玻殼品位，能縮短生產(chǎn)線員工根據(jù)尺寸數(shù)據(jù)調(diào)整參數(shù)使生產(chǎn)穩(wěn)定的時間，這樣也就提高了玻殼良品率和產(chǎn)量，減少玻殼產(chǎn)品的誤判率，提高了公司的盈利空間。

2神經(jīng)網(wǎng)絡(luò)在玻殼分類中的應(yīng)用

彩色玻殼有三部分組成，分別為玻屏、玻錐和管頸。彩色玻殼生產(chǎn)系統(tǒng)屬于大規(guī)模流水線作業(yè)，每個生產(chǎn)工序都有一定的穩(wěn)定性，這樣由于某些工藝參數(shù)波動引起的尺寸不良現(xiàn)象，一般具有連續(xù)性和規(guī)律性，所以尺寸項目的管理很重要。玻錐進行研磨時的研磨量直接影響定位塊周邊尺寸和管頸偏心R1、R2、R3和R0的尺寸。定位塊高差A(yù)和B合格與否，由管頸偏心R1、R2、R3、R0，管徑傾斜T1、T2、T3，半成品定位塊NAB和NC尺寸決定。管頸偏心，管徑傾斜項目在NTR自動量規(guī)上測量，玻錐定位塊是測量玻錐定位塊周邊的基準，是玻錐與玻屏封接的定位基準，當A、B定位塊之間存在高度差或定位塊絕對高度和理論高度相差較大時，在顯像管廠家低封時，會引起錐體相對于屏發(fā)生旋轉(zhuǎn)，造成屏錐封接錯位。這就要求必須嚴格控制定位塊研磨完成后相對偏轉(zhuǎn)中心的位置度。利用集成神經(jīng)網(wǎng)絡(luò)對這些測量的數(shù)據(jù)進行學習分類，剔除不合格尺寸的玻殼。也可以根據(jù)對玻殼定位塊分類結(jié)果，來修正管徑中心與定位塊決定的錐體中心的偏差量，進而滿足用戶的最終要求。

2.1 Bagging神經(jīng)網(wǎng)絡(luò)集成在玻殼分類中的實現(xiàn)

Bagging集成神經(jīng)網(wǎng)絡(luò)[2]的訓練集選擇是隨機的，每個學習器的訓練集相互獨立。本文采用類似Bagging的子訓練數(shù)據(jù)集生成方法，按照事先確定好地樣例取出規(guī)則組織子訓練樣例，保證每個原始訓練實例都要用到，但可以重復(fù)，子訓練集又不會完全一樣，這樣可以增加樣例的作用，增加每個學習器的相異性，能夠提高集成學習的泛化能力。⑴利用bootstrap技術(shù)[3]產(chǎn)生10個不同的數(shù)據(jù)集。⑵利用Bagging技術(shù)構(gòu)造集成神經(jīng)網(wǎng)絡(luò)，對10個不同的數(shù)據(jù)集進行訓練學習得到10個不同神經(jīng)網(wǎng)絡(luò)，對各神經(jīng)網(wǎng)絡(luò)集采用多數(shù)投票的方法進行集成，然后利用集成結(jié)果對10個測試數(shù)據(jù)集進行測試。

2.2 神經(jīng)網(wǎng)絡(luò)對單枚玻殼數(shù)據(jù)分類誤差比較

單個BP神經(jīng)網(wǎng)絡(luò)和Bagging神經(jīng)網(wǎng)絡(luò)集成分別在十個測試數(shù)據(jù)集上每枚數(shù)據(jù)的誤差圖進行比較。在第一和第二個測試數(shù)據(jù)集上誤差值，分別如圖1-1，圖1-2。

誤差圖中，*代表每枚玻殼的輸出誤差值。由圖可知，單個BP神經(jīng)網(wǎng)絡(luò)在10個測試數(shù)據(jù)集上誤差值大，并且不穩(wěn)定；Bagging集成神經(jīng)網(wǎng)絡(luò)在10個測試數(shù)據(jù)集上誤差值較小，分布在0附近，即誤差幾乎等于0。由此說明Boosting神經(jīng)網(wǎng)絡(luò)集成與BP神經(jīng)網(wǎng)絡(luò)在玻殼數(shù)據(jù)分類上性能較差，輸出精度較低，誤差較大，性能不穩(wěn)定。而Bagging神經(jīng)網(wǎng)絡(luò)集成的輸出精度高，誤差小，性能穩(wěn)定。能夠成功應(yīng)用于玻殼分類中，提高玻殼分類的品位。

[參考文獻]

[1]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M].北京:機械工業(yè)出版社,2007.20-108.

[2]周志華.機器學習和它面臨的挑戰(zhàn)[J].計算機科學面臨的挑戰(zhàn)高層研討會.技術(shù)報告.廈門大學:2003.

[3]王莎.Bp神經(jīng)網(wǎng)絡(luò)在股票預(yù)測中的應(yīng)用研究[D].中南大學.2006.