基于FOA-SVM的超聲信號端點檢測

李大中，趙　杰

（華北電力大學自動化系，河北 保定 071003）

基于FOA-SVM的超聲信號端點檢測

李大中，趙杰

（華北電力大學自動化系，河北 保定 071003）

在超聲缺陷識別系統中，端點檢測是確保缺陷準確識別的重要環節。為提高在實際探傷過程中端點檢測的準確率，提出一種以果蠅算法優化支持向量機的端點檢測方法。針對超聲檢測信號的特點，采用小波包變換提取反映該信號性質的特征向量。鑒于傳統方法檢出率不高及支持向量機（SVM）參數難確定的問題，利用果蠅算法（FOA）優化SVM的懲罰子和核參數，提高支持向量機建模準確度。試驗結果表明：FOA-SVM模型的平均檢出率達到97.5%，端點檢測效果明顯優于傳統的雙門限法、普通SVM模型和GA-SVM模型。

端點檢測；果蠅算法；支持向量機；小波變換

0　引　言

對材料及時檢測和缺陷識別，并采取一定的預防措施可以減少事故發生。目前，端點檢測是提高缺陷識別準確率的重要環節，由于超聲檢測信號是一種具有突變性的非線性、不平穩信號，端點檢測需要排除噪聲段或無用回波段，找出包含真實缺陷信號的起止點，從而準確提取出有用的缺陷回波信號。

文獻［1］通過短時能量與過零率雙門限對光纖周界安防系統中擾動信號進行端點檢測，提高了系統準確度。文獻［2］采用基于希爾伯特-黃變換和順序統計濾波的檢測方法，在低信噪比情況下有效檢測語音信號。近年來，隨著非線性理論不斷發展，神經網絡和支持向量機等算法被應用到端點檢測中，但神經網絡檢測率并不高，而且支持向量機參數難以確定［3］。文獻［4］利用小波分析提取語音信號能量，并用粒子群優化神經網絡進行端點檢測，有效降低了虛檢率和漏檢率。文獻［5］采用支持向量機和復合特征進行語音端點檢測，比傳統語音端點檢測效果更好。目前主要有遺傳算法、粒子群算法優化神經網絡或者支持向量機的參數來提高檢測率，但均存在很多缺陷。

神經網絡在訓練模型時容易陷入局部最優，而支持向量機具有模型穩定和預測精度高的優點，在優化時遺傳算法應用最多，但具有收斂速度慢和容易局部最優等缺點，粒子群算法雖然收斂速度快，但同樣存在局部最優問題。果蠅算法［6］源于果蠅覓食行為，計算簡單、收斂速度快、準確度高，已經成功應用到很多領域。與粒子群算法相比，由于尋優過程不同，要獲得最優解的迭代次數也不相同，為提高超聲檢測信號端點檢測率，本文采用果蠅算法優化支持向量機應用到端點檢測領域，采用果蠅算法對支持向量機的兩個參數進行全局尋優，提出一種小波包變換和果蠅算法優化支持向量機的端點檢測模型，通過建立端點檢測模型和果蠅過程尋優，驗證該方法的可行性和有效性。

1　傳統雙門限端點檢測方法

現代端點檢測方法主要分為時域方法和頻域方法。而傳統采用的雙門限法就是時域方法，即短時能量和短時過零率兩個參數。通過設定兩個門限，對輸入信號進行端點檢測，當輸入信號參數大于設定門限，并且可以持續一段時間則認為該點為起點；當參數小于設定門限，并且同樣持續一段時間，那么認為該點為終點，從而確定端點檢測位置。

1.1短時能量法

在現場探傷過程中，超聲檢測信號是有用回波信號和無用噪聲信號的結合，而噪聲信號能量往往較大程度低于超聲回波信號，因此在保證檢測時信噪比不變的情況下，通過設定短時能量作為門限值就可以將有用的超聲回波信號提取出來。n時刻的短時能量［7］定義為

式中：x（m）——原始信號采樣序列；

w（n-m）——窗函數；

N——窗長。

但在實際中往往需要結合短時能量和短時過零率，進行端點檢測來降低誤檢率。

1.2短時過零率法

短時過零率法是信號頻域分析方法，是指每幀信號內過零點的次數，即采用信號點正負符號的變換次數，通過反應其頻譜特性的方法將有用超聲回波信號提取出來。n時刻短時過零率［8］計算公式為

式中：m——窗的起點；

N——幀的長度；

sgn——符號函數。

傳統上將短時能量和短時過零率結合起來進行端點檢測，在超聲波探傷過程中，如果檢測缺陷太小，反射回波與噪聲相差不大時，該方法往往誤檢率很高，因此本文采用一種非線性端點檢測方法FOA-SVM模型，來提高整體檢測性能。

2　FOA-SVM端點檢測模型

端點檢測包括數據預處理、提取特征值、建立模型和優化模型。首先將數據進行分幀，人工挑選出噪聲信號幀和有用信號幀，采用小波變換提取各幀特征值，并用建立好的端點檢測模型進行訓練與測試，模型結構如圖1所示。

圖1　FOA-SVM模型結構

2.1信號預處理及特征提取

2.1.1信號預處理

為采集真實的超聲檢測缺陷信號，通過超聲波發生接收器CTS-8077PR與示波器DPO2012連接，用中心頻率為5MHz，直徑為10mm的直探頭采集5組平底孔缺陷信號，其中一組信號如圖2所示。

由圖可知，超聲檢測到的原信號包含始波、缺陷波和反射底波。為進行缺陷識別需要將始波和反射底波去除，只對缺陷波進行處理。由于超聲檢測信號是非線性、不平穩信號，在短時間內看作是相對平穩的，對采集到的超聲信號序列數據進行分幀處理，幀長為50，幀移為25，該信號數據長度為2 000，因此一組數據共分80幀。

圖2　平底孔缺陷信號

2.1.2小波特征提取

為取得超聲檢測信號的特征值，本文采用db2小波對每幀采樣數據進行3層小波包分解，并計算不同尺度上的各頻帶平均能量［9］作為特征值：

式中：si（n）——各頻帶小波系數；

N——小波系數個數。

通過小波分析可以提取8個特征數，人工整理得到代表無用信號的幀數為50幀，超聲回波信號的幀數為30幀，分別構建特征向量：Z（n）=［E1，E2，…，E8］T。

2.2FOA-SVM模型

本文在建立支持向量機模型時，采用果蠅算法對支持向量機進行優化，取最終測試集數據和預測集數據誤差最小時的c和g兩個參數，并對采樣數據進行端點檢測驗證。

2.2.1FOA-SVM模型建立

Vapnik等提出的支持向量機結構較簡單、學習速度快、全局最優、泛化性好，但是SVM的性能與核參數的選取密切相關，通常調整參數的方法是采用交叉驗證法，該方法不僅計算量大，推廣性差，而且當核參數的個數超過2個時，該方法是難以奏效的。

1）數學模型。支持向量機是一種適合研究在有限樣本情況下機器學習規律的理論，可以較好地解決小樣本、高維數、非線性和局部極小點等實際問題。當對n個樣本進行兩類分類時，設樣本集為（xi，yi），i=1，2，…，n，xi∈Rm，yi∈｛+1，-1｝。其中xi為類屬性，yi為類標記，n為數據個數。

支持向量機就是把輸入向量映射到高維空間，尋找最優的超平面，最優準則為兩類之間間隔的寬度最大。分類超平面定義為［10］

式中：ai——拉格朗日乘子；

k（x，xi）——核函數，本文支持向量機核函數選

b——偏置。

2）果蠅優化算法。果蠅優化算法是基于果蠅覓食行為演化而來的群智能全局優化方法。果蠅在覓食過程中依靠嗅覺捕捉彌漫在空氣中的氣味，通過果蠅位置計算味道濃度，然后以群體思維向味道濃度最大的位置集合，并通過反復迭代提高優化性能。

2.2.2參數的尋優

SVM核函數參數選擇的好壞將直接影響最終的SVM分類器泛化能力的優劣。理論研究表明，參數的選擇能很大程度影響支持向量機的識別率。目前參數尋優方法有交叉驗證尋優、PSO尋優等，傳統的參數選取方法具有一定的不足，如人為選取參數取決個人經驗，受人為影響較大；交叉驗證法選取參數一般計算量比較大，程序也復雜。而果蠅優化算法具有很強的適應性，是一種全局最優化算法，具有很好的魯棒性能和搜索能力，在諸多領域逐步開始應用。

影響支持向量機性能的主要參數是懲罰因子c和RBF的參數g。果蠅優化參數過程如下：

1）參數初始化。對果蠅群體位置初始化為X1和Y1都為隨機數，果蠅種群規模個數為m，迭代次數為100，設定SVM參數初始值。

2）賦予每只果蠅利用自身嗅覺搜尋食物的能力，此后果蠅飛行位置為（Xi，Yi）。

式中，Rraan為隨機數，i=1，2，…，m。

3）計算果蠅位置的味道濃度。此時無法得知事物的確定位置，通過果蠅位置與原點的距離D（i，：），計算味道濃度判定值S（i，：）。

因SVM參數為c和g，定義c=20S（i，：），g=S（i，2）。

4）對訓練樣本進行2折交叉驗證，避免局部最優，由訓練樣本中每只果蠅的位置代入味道濃度判定函數（fitniss function），可以求出果蠅味道濃度［11］。

式中：m1——交叉驗證時每個訓練樣本中的果蠅個數；

yij——定義類型標簽；

f（xij）——交叉驗證樣本的預測值。

5）尋找果蠅味道濃度中最低的果蠅max（F），并保存最佳味道濃度Fbest和相應位置。

6）其他果蠅利用嗅覺尋找該位置后以捷徑飛往最佳味道濃度位置，尋找完畢，進行迭代尋優。重復步驟3）～步驟5），每迭代一次，判斷該次味道濃度是否優于前次，若是則執行步驟6），否則繼續循環直到最大迭代次數結束。

本文分別用交叉驗證法、遺傳算法和果蠅算法對參數進行尋優，取最終測試集數據和預測集數據誤差最小時的c和g兩個參數如表1所示。

表1　3種尋優方法結果對比

2.3FOA-SVM模型端點檢測

通過對支持向量機參數進行3種方法尋優，分別得到不同的端點檢測模型，應用到5組信號的每幀數據中進行檢測識別，有用信號共150幀，無用信號共250幀，隨機取100幀信號進行訓練，對所有幀信號進行識別，其中FOA-SVM模型訓練時間為2.40s，用時最短，可見果蠅算法對支持向量機的缺點進行了改善，收斂速度快，識別結果如表2所示。

表2　采集樣本實驗結果

通過3種模型對400幀數據進行檢測識別，本文提出的FOA-SVM檢測模型用時最短，識別率最高，對訓練樣本可以完全識別，綜合識別率達97.5%。

3　實驗結果對比

針對所有樣本數據進行了3種方法識別檢測后，得到不同的識別準確率。為了評價本文端點檢測方法的性能，將3種方法和傳統雙門限法對原始采樣信號進行端點檢測，4種方法端點檢測結果如圖3所示。

圖3　4種方法端點檢測結果

圖中藍色豎線為檢測起點，紅色豎線為檢測終點，對比以上不同端點檢測方法，雙門限法端點檢測得到的缺陷段信號丟失大量有用信號；交叉驗證法SVM模型端點檢測引入較多無用信號，甚至與底波檢測端點交叉，效果較差；GA-SVM模型端點檢測效果較好，但仍有部分缺陷回波信號丟失；FOA-SVM模型不僅有效檢測出缺陷回波信號段，始波和底波信號段的端點檢測效果也較好。

4　結束語

本文提出一種以果蠅算法優化支持向量機的端點檢測方法。針對采集的平底孔缺陷超聲檢測信號，采用小波包變換提取特征向量，利用果蠅算法（FOA）優化支持向量機（SVM）的懲罰因子和核參數，成功地提高了支持向量機模型的精度，平均檢出率達到97.5%，端點檢測效果仍明顯優于傳統的雙門限法、普通交叉驗證法SVM模型和GA-SVM模型，具有一定的工程參考價值。但果蠅算法作為新的優化算法，與其他算法一樣會存在“早熟”，局部最優問題難以完全避免，具體的改進優化方法還需在理論和實踐中進一步探索。

［1］劉琨，何暢，劉鐵根，等.一種用于光纖周界安防系統的端點檢測方法［J］.光電子·激光，2014，25（11）：2136-2140.

［2］盧志茂，金輝，張春祥，等.基于HHT和OSF的復雜環境語音端點檢測［J］.電子與信息學報，2012，34（1）：213-217.

［3］SHIN J，CHANG J，KIM N.Voice activity detection based on statistical models and machine learning approaches［J］.Computer Speech&Language，2010，24（3）：515-530.

［4］張鐵威.基于小波分析與神經網絡的語音端點檢測研究［J］.電子測量與儀器學報，2013，27（6）：528-534.

［5］張曉雷，吳及，呂萍.基于支持向量機與多觀測復合特征矢量的語音端點檢測［J］.清華大學學報（自然科學版），2011，51（9）：1209-1214.

［6］WANG L，ZHENG X L，WANG S Y.A novel binary fruit fly optimization algorithm for solving the multidimensional knapsackproblem［J］.Knowledge Based Systems，2013，48（2）：17-23.

［7］馬強，榮命哲，賈申利.基于振動信號小波包提取和短時能量分析的高壓斷路器合閘同期性的研究［J］.中國電機工程學報，2015，25（13）：149-154.

［8］WEIY，ZHANG J.Application of finite-state vector quantizationinspeech endpoint detection［J］.Computer Engineering&Applications，2012，48（17）：161-163.

［9］馬杰，劉璐璐，姚勇.小波變換超高壓輸電線路雷電干擾識別判據研究［J］.中國測試，2013，39（5）：34-38.

［10］康守強，王玉靜，姜義成，等.基于超球球心間距多類支持向量機的滾動軸承故障分類［J］.中國電機工程學報，2014，34（14）：2319-2325.

［11］王長喜，王海云，王維慶，等.基于FOA和LS-SVM的風電場風速預測研究［J］.可再生能源，2014，32（9）：1312-1318.

［12］郭海帆，陳建華，陳鑫友，等.基于矢量網絡分析儀功率測量的噪聲系數測量方法［J］.中國測試，2014，40（6）：35-38.

（編輯：劉楊）

Ultrasonic signal endpoint detection based on FOA optimized SVM

LI Dazhong，ZHAO Jie
（Dept of Automation，North China Electric Power University，Baoding 071003，China）

Endpointdetectionisanimportantsteptoensureaccurateidentificationinthe ultrasonic defect recognition system.In order to improve the accuracy of endpoint detection during actual flaw detection，an endpoint detection method using fruit fly optimization Algorithm（FOA）-support vector machine（SVM）has been proposed.Based on the characteristics of ultrasonic detection signals，wavelet transform was applied to extract the feature vector that reflects the nature of these signals.As the common double-threshold method is low in detection rate and the parameters of the SVM are difficult to determine，the FOA was used to optimize the penalty factor and kernel parameter of the SVM to improve the precision of the SVM.The experimental results show that the average detection rate of FOA-SVM is 97.5%.The endpoint detection effect significantly outperforms that of the traditional double threshold method and common SVM and GA-SVM models.

endpoint detection；FOA；SVM；wavelet transform

A

1674-5124（2016）05-0103-04

10.11857/j.issn.1674-5124.2016.05.022

2015-10-15；

2015-12-28

李大中（1961-），男，內蒙古包頭市人，教授，博士，研究方向為新能源發電系統控制、智能優化理論及應用、分布式新能源發電及冷電聯產控制系統。