蟻群神經網絡在渦流無損檢測中的應用

　　摘要：本文針對RBF神經網絡參數選取問題，提出蟻群智能算法優化RBF神經網絡，該算法利用正反饋機制迅速確定較優中心節點，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點的聚類質量，優化了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（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有兩個：一是徑向基函數中心利寬度；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，徑向基函數中心通常用聚類的方法獲得，但傳統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，搜索更加具有規律性，最終得到全局最優解[2～5]—— 這不僅可以加快聚類速度，而且使聚類中心更加優化。仿真結果表明，采用蟻群算法確定RBF中心及節點寬度，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）是受到自然界中真實蟻群集體行為的啟發，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特征，來解決組合優化問題。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，快速得到最優解，縮短搜索時間的優點[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；動態調整各路徑上的信息素，蒸發掉信息素少的，最終，根據各路徑上的信息素的多少來確定最優（短）路徑[4]。
　　（4）根據式（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，則停止循環，否則轉第（2）步繼續迭代。
　　（7）確定隱層節點寬度。，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。
　　4 優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。通過實驗發現：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組數據；檢驗樣本為深度4mm，長度不同的8組數據。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
　　蟻群優化算法是近年來才提出的一種基于種群尋優的啟發式搜索算法。它利用自然進化機制來表現復雜現象，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并且收斂速度快。本文采用蟻群算法優化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，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.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].天津工業大學學報，2002（21）：72-7