基于GA-BP神经网络的微裂纹漏磁定量识别技术

针对漏磁检测定量识别技术中识别的缺陷尺寸大多为1~10 mm的较大裂纹,与实际自然裂纹相差太大的问题,将基于遗传算法优化的BP神经网络（GA-BP）算法应用到微裂纹缺陷的漏磁定量识别中,使得漏磁检测定量识别缺陷的宽度、深度达到小于0.50 mm的微细裂纹,并通过基于磁偶极子模型的理论计算与漏磁检测实验两种方法构建了微裂纹（0.10~0.30 mm）缺陷样本库.由于在实际检测过程中存在干扰噪声的原因,实验数据的预测结果误差比理论计算数据预测结果明显偏大,最大为16.73%,但预测结果能够基本反映微裂纹缺陷的尺寸大小.      

基于PSO-LSSVM的疲劳裂纹漏磁定量识别技术

针对疲劳裂纹难以定量识别的问题,提出一种将主成分分析（PCA）和粒子群优化的最小二乘支持向量机（PSO-LSSVM）相结合的建模方法,通过建立漏磁信号与疲劳裂纹宽度、深度之间的非线性映射关系,对疲劳裂纹宽度、深度进行定量识别.搭建漏磁检测系统,采用疲劳拉伸试验制备一系列疲劳裂纹样本,通过疲劳裂纹漏磁定量识别实验,建立漏磁缺陷样本库,对基于PSO-LSSVM的疲劳裂纹漏磁定量识别方法的可行性进行验证.结果表明,该方法能够有效定量识别尺寸小于1 mm;疲劳裂纹的宽度、深度,误差在0.1 mm左右.      

基于改进BP神经网络算法的管道缺陷漏磁信号识别

海底管道漏磁检测信号处理的主要任务是根据霍尔传感器检测到的缺陷漏磁信号来识别缺陷的形态参数．根据漏磁检测原理设计了相关的漏磁检测电路，通过提取信号的主要特征量，利用Levenberg-Marquardt算法在对常用BP神经网络改进的基础上应用其来识别缺陷的尺寸参数，给出了BP神经网络各层数的确定及权值、学习率的调整方法和相应的漏磁信号数据处理过程．漏磁检测数据处理实验表明，该缺陷识别BP神经网络系统具有逼近精度高、收敛速度快等特点．     

基于信号源极值特征的钢管内外裂纹区分方法

提出一种钢管漏磁检测过程中基于信号源的内外裂纹区分方法.该方法基于内外伤法向漏磁分量检测信号的波形特征,参考信号畸变所具有的峰-峰值大小,调整对应畸变信号峭度指标的算法,从而构建内、外伤区分指标.通过钻杆中的横向刻槽检测试验观察,以及二维轴对称有限元仿真分析,检测了在常规钢管漏磁检测过程中对于具有不同宽度信息的内外伤裂纹,这种方法进行缺陷位置识别的实用性较高.     

基于漏磁的表面裂纹识别及评估

通过建立工件表面两条相互平行槽形裂纹的磁偶极子模型，研究了裂纹漏磁信号之间的相互作用关系，根据漏磁信号的峰值特性对裂纹的几何参数进行了定量评估，通过漏磁信号振幅随两裂纹的深度比和裂纹间距的关系计算了其中较小裂纹的深度，实际检测结果表明，综合利用两个邻接裂纹的漏磁信号进行评估的矢量轨迹法对相邻裂纹的定量评估具有较好的可视效果，该方法简单易行，能够快速准确地对裂纹进行估计。     

自适应粒子群神经网络识别种蛋成活性

提出了一种自适应粒子群神经网络自动识别孵化早期种蛋成活性的方法.通过主成分分析提取孵化种蛋颜色特征,减少了神经网络输入节点数.提出的自适应粒子群优化算法,用于优化多层前馈神经网络的拓扑结构,提高了神经网络的学习质量和速度.实验表明该方法识别种蛋成活性切实可行,识别准确性高,算法具有鲁棒性.     

管道漏磁检测信号的支持向量机识别方法

通过对漏磁检测信号的分析,引入支持向量机,给出了特征量、训练集的选择方法以及核函数和支持向量机的分类算法,将漏磁检测信号的根据信号的定性识别和定量分析有机结合起来.可以在漏磁检测样本有限的情况下,获得最优识别结果.     

裂缝深度对磁记忆信号影响的研究

磁记忆检测方法是利用工件中地球磁场变化信息研究铁磁性材料的应力集中、裂纹萌生等问题。以预置裂纹标准块为研究对象,研究裂纹深度与磁记忆信号的关系。研究发现,裂缝深度与漏磁场梯度变化呈非线性关系,与磁场强度最大值、过零点无映射关系,且表面漏磁场的分布区域愈宽,漏磁场的变化幅度越小。研究结果对磁记忆的磁性金属的裂纹识别具有重要指导意义。     

基于特征脸和神经网络的人脸表情识别方法

当前人脸检测系统主要使用的是基于主成分分析算法和神经网络技术,本文提出了识别不同特征点的另一种技术,所提出的识别系统用来实现特征提取、主成分分析和人工神经网络,即用特征脸和主成分分析算法进行人脸识别.在主成分分析算法中,通过识别初始人脸图像集得到特征向量和特征脸,然后这些人脸被投射到特征脸上以计算权重,这些权重建立人脸数据库以便通过神经网络进行人脸识别.测试结果表明,其准确率达82.1%,达到了理想效果.     

基于布谷鸟搜索算法的漏磁反演方法研究

针对漏磁检测中的缺陷反演重构问题,引入了一种新型启发式优化算法—布谷鸟搜索算法,提出了以径向基函数神经网络为前向模型,布谷鸟搜索算法用作迭代算法的漏磁反演方法.为验证该反演方法的有效性,分别使用了不含噪声和含噪声的漏磁仿真信号以及实测漏磁信号.实验结果表明,与粒子群优化算法和差分进化算法相比,布谷鸟搜索算法的处理误差最小,而且对含噪声仿真漏磁信号和实测漏磁信号的重构结果依然能够较好地逼近真实缺陷.因此,基于布谷鸟搜索算法的反演方法对噪声具有一定的鲁棒性,是一种有效可行的漏磁反演方法.     

铁磁构件表层裂纹漏磁场分析及检测系统

针对铁磁构件裂纹损伤检测方法和仪器应用技术现状,建立了V型裂纹漏磁场分析模型,得出了平板铁磁构件表面指定探测点的漏磁场理论表达式。采用MATLAB软件编程进行全面的仿真分析,得出了漏磁场的法向分量与裂纹开口宽度的关系曲线、漏磁场的法向分量与裂纹深度的关系曲线、漏磁场的法向分量与裂纹长度的关系曲线;得出裂纹漏磁场法向分量过零点、漏磁场垂向分量出现最大值和漏磁场切向分量出现裂纹端部过零点的漏磁场分布特性。根据理论分析得出的裂纹漏磁场特征,设计制作了阵列式的裂纹检测装置和检测平台,并对带有V型裂纹的平板铁磁构件进行检测。实验表明：文中理论分析得出的三维漏磁场与检测结果能够较好的吻合,并对裂纹的几何参数估计具有一定的指导意义,根据漏磁模型研制的检测装置能探测铁磁构件的裂纹缺陷。     

小波神经网络在海底石油管道漏磁缺陷检测中的应用

海底管道漏磁检测信号处理的主要任务是根据霍尔传感器检测到的缺陷的漏磁信号识别缺陷的形态参数,噪声消除和缺陷识别是其中的关键问题。利用噪声信号和测试信号在各个尺度上波谱的不同特征,基于小波变换来消除管道漏磁检测中的噪声信号,并根据正交小波多尺度多分辨率特点,把信号分解成各相互独立的频带,构建一个小波神经网络系统,通过输入漏磁信号的特征量识别缺陷的参数。漏磁检测数据处理实验表明该小波变换能较好地去除检测信号中的主要噪声,所建立的缺陷识别小波神经网络系统具有收敛速度快、逼近精度高等特点。     

基于LMBP算法的液压油缸内泄漏故障诊断方法

针对液压油缸内泄漏故障诊断中提取时域参数过多以及各参数间相互交叉等问题,提出一种基于主成分分析（Principal Component Analysis,PCA）和改进的Levenberg—Marguard（LM）神经网络的诊断方法．首先采用Lu分解法对LM算法中逆矩阵的求解进行优化,以加快网络的收敛速度,然后提取压力信号的8个时域参数作为原始特征,采用PCA法对其进行降维和去相关,提取前2个主成分作为最终特征,输入到改进的LM网络中进行故障模式识别,并将诊断结果与LM算法和GA—BP算法进行仿真对比研究．研究结果表明：基于LMBP算法的故障诊断方法在减少识别误差和提高诊断速度等方面取得显著改善,是一种行之有效的液压油缸内泄漏故障诊断方法．     

结合主成分分析法的可拓神经网络三维荧光光谱的分类识别研究

提出了结合主成分分析法(PCA)的可拓神经网络算法,并且将其应用于柴油、煤油、汽油的三维荧光光谱分类识别中。实验结果表明,相比传统的BP神经网络算法,该算法迭代数下降了80步,识别率由89%提高到93%,体现了结合算法的高识别率和高效性。     

基于KPCA联合并联抑制神经网络变换的红外目标识别算法

为了提高红外目标的识别性能,提出了一种KPCA联合并联抑制神经网络变换.该联合神经网络变换集成了KPCA的 KHA学习机制与神经网络误差反传机制,使得KPCA与GSN分类器有机地结合起来,通过监督学习的方式引入类别信息,能够在实现数据有效降维的同时,优化主元特征的提取,从而提高算法的分类识别性能.针对典型红外军用车辆图像,采用联合算法与传统算法分别进行对比实验.实验结果表明,算法在优化特征同时,提高了目标识别性能.     

Recognition algorithm of seabed pipeline defect inspection based on dynamic WBF neural networks

This paper describes a magnetic flux leak (MFL) model of pipeline defect inspection, and presents a recognition algorithm based on dynmnic wavelet basis function (WBF) neural network. The dynamic network utilizes multiscale and multireselution orthogonal wavelet, through signals backwards propagation:,has more significant advantages than BP or other neural networks used in MFL inspection. It also can control the accuracy of the predicted defect profiles, high-speed convergence possessing and well approaching feature. The perfonnance applying the algorithm based on the network to predict defect profile from experimental MFL signals is presented.