论文部分内容阅读
激光超声检测技术具有高灵敏度、非接触性、超声信号模式丰富、检测分辨率高等优点，是工业质量监测、工业生产安全的重要保障。在激光超声表面缺陷检测的实验中，我们获得的超声信号往往是高维小样本的。应用传统的信号处理和模式识别方法对这种数据进行分析，往往是低效率甚至无效的。因此，研究适用于这种高维小样本数据的特征提取和分类识别算法，成为激光超声缺陷识别的主要问题。本文应用自行构建的激光超声缺陷检测实验系统进行缺陷检测实验，利用实验获得的激光超声表面缺陷的反射波和透射波信号，进行超声缺陷信号的有效特征提取和高泛化能力、高准确率的分类识别算法研究。本文主要研究内容包括：（1）传统的信号处理方法受信号的平稳性和工作环境等因素的限制，应用于激光超声信号时具有一定的局限性和不稳定性。同时，对于缺陷信号提取的特征的衡量与评定仍处于探索阶段。因此，我们提出了一种有监督的Kohonen网络，应用其高度的非线性映射能力和智能处理能力，对超声信号进行自适应的学习与分类。多次交叉实验结果表明，有监督的Kohonen网络能有效的实现对缺陷信号的特征学习与分类，并且具有很好的泛化能力。（2）由于激光超声缺陷信号的高维性直接影响了算法的时间复杂度和空间复杂度，进而可能导致算法的无效。据此，我们采用KPCA，一种非线性主成分提取算法对缺陷信号数据进行降维处理，然后应用SVM算法进行分类识别。多次交叉实验结果表明，基于KPCA和SVM的算法能够实现快速准确的分类识别。（3）相对于KPCA这种基于方差进行主成分提取的方法，我们引入了一种基于信息熵进行主成分提取的方法—KECA，并将这种特征提取及降维方法应用于激光超声缺陷信号处理中。多次交叉实验表明，这种基于KECA和SVM的方法分类准确率高、复杂度低、泛化能力强。与KPCA进行对比，我们发现在选取相同数量的主成分时，KECA方法可以获得更高的特征贡献率。表明，应用KECA方法提取的主成分的特征代表性更加明显。