论文部分内容阅读
大型回转体超声探伤中由于需要实时处理大量数据，且全面的缺陷特征信息难以获得，导致缺陷类别在线识别困难．对多个超声波探头获取的同一缺陷的互补特征信息，利用BPNN的并行计算能力分别进行缺陷类别的局部决策，再采用D—S理论实现缺陷类型的融合识别．为使神经网络更适合于在线数据处理和缺陷识别，对标准BP算法进行了改进，在不增加计算量和存储量的前提下，避免了网络陷入局部最小，提高了网络的收敛速度．将改进后的BP网络的非线性建模能力与D—S证据理论的不确定性推理能力进行有机结合，使论据理论的支持度的分配避免了主观性，