BP神经网络在无损检测中的应用

第25卷第2期2009年4月山西大同大学学报(自然科学版)

JournalofShanxiDatongUniversity(NaturalScience)Vol.25.No.2Apr.2009

BP神经网络在无损检测中的应用

申晋祥

(山西大同大学数学与计算机科学学院,山西大同037009)

要:应用某型工业CT机对一定数量某型铸件进行了无损检测,通过采得的两个属性值和该铸件是否

合格,对BP网络进行训练,得到了较好的分类曲面,使得某型铸件无损检测精度从原来的60%左右提高到85%左右.

关键词:BP神经网络无损检测

工业CT

中图分类号:TP391.3

文献标识码:A文章编号:1674-0874(2009)02-0016-02

在某型铸件质量检测的诸多方法中,无损检测

技术因对结构损伤较小而得到广泛应用.由于真实的铸件质量和检测物理量之间的关系是未知的,因此很难用一个明确的解析式表示,而按照规程给出的近似解析关系计算出的强度值与实测值之间的相对误差往往较大,有时甚至超出了允许的误差范围.为了克服传统方法的不足,本文以神经网络原理为基础,建立了应用于某型铸件检测的BP神经网络模型.

型的激活函数运算后,把隐含结点的输出信息传播到输出结点,最后给出输出结果.正向传播时,每一层神经元的状态仅影响下一层神经元.如果输出层得不到期望输出,产生的误差则转入反向传播过程,误差信息沿原路返回,通过修改各层神经元的权值以减小误差,经过多次反复直至达到预期目标为止.在理论上已经证明:一个具有m个结点输入层,2m+1个结点的隐含层和n个输出结点的三层BP网络,可以精确地表达任意一个连续函数.因而,可以用一个三层的BP网络对铸件质量和检测物理量之间的关系进行逼近.

1人工神经网络概述

人工神经网络是由大量的人工神经元相互连接而成的网络.多层BP前导型神经网络有输入层、输出层及若干隐含层单元组成.输入信息要先向前传播到隐含层结点上,经过各单元的特性为Sigmoid

表1

样品铸件1铸件2铸件3铸件4铸件5铸件6铸件7铸件8铸件9铸件10

属性185.089.5101.7120.0118.991.6119.482.475.3114.4

属性20.07100.06340.03810.00000.00190.05940.00120.07490.01170.0088

合格0

样品铸件11铸件12铸件13铸件14铸件15铸件16铸件17铸件18铸件19铸件20

属性1116.194.087.478.4111.9116.674.385.778.3105.0

2数据预处理

由工业CT机得到的数据经过处理得到该铸件

的两个属性,通过观察,对于属性1,其值小于70

样品属性表

属性20.05350.09910.06940.08720.01670.00740.09050.06810.09060.0268

合格

样品铸件21铸件22铸件23铸件24铸件25铸件26铸件27铸件28铸件29铸件30

属性1120.0113.1112.8108.4118.883.894.2112.073.7103.8

属性20.00000.01330.01580.02400.01700.07650.05350.01550.10220.0341

合格

1100000110

0000111110

100000100

收稿日期:2008-03-20

基金项目:山西省自然科学基金项目[20011040].

作者简介:申晋祥(1977-),男,山西古县人,硕士,讲师,研究方向:计算机网络.

Word文档免费下载Word文档免费下载:BP神经网络在无损检测中的应用 (共2页,当前第1页)

你可能喜欢

  • 算法大全
  • BP神经网络算法
  • BP神经网络预测
  • BP神经网络原理
  • 电磁无损检测
  • 动态BP神经网络
  • BP神经网络控制器
  • BP神经网络模型

BP神经网络在无损检测中的应用相关文档

最新文档

返回顶部