BP神经网络缺陷量化研究

精品文档-下载后可编辑BP神经网络缺陷量化研究《中国测试杂志》2022年第三期

1基于贝叶斯算法的BP神经网络

1.1贝叶斯算法基于贝叶斯算法的BP神经网络是基于贝叶斯定理而发展出来的用于解决统计问题的方法，即任意一个待求量都可以看作是一个随机变量，因此可以通过概率分布来对待求量进行描述，这个概率是在抽样前就有的关于待求量的先验概率分布。贝叶斯理论正是在没有样本信息时，只根据先验概率分布来求解待求量。而在有样本后，则可根据总体、样本和先验信息的联合分布来对未知量进行判断。后验分布π（θ|x）是反映人们在抽样后对随机变量θ的认识，其与先验分布即样本x的差异是由于样本出现后人们对θ的调整，即后验分布π（θ|x）为抽样信息对先验分布π（θ）调整的结果[6]。

1.2贝叶斯算法BP神经网络基于贝叶斯算法的BP神经网络是一种以神经网络基本原理为构架，通过引入贝叶斯推理有效地控制网络模型的复杂度，进而更好地解决非线性问题及其不确定性[7]。在BP神经网络中，训练样本集为D（xm，Om），xm为输入信号，Om为输出节点，在一定的网络结构A与网络参数W下，可以得到网络的输出由网络的输入D唯一的确定。网络训练的目标函数为误差函数ED（D|W，A），则有。采用贝叶斯算法BP神经网络步骤如下：（1）确定网络结构A，初始化超参数α，β，对网络参数W进行赋值。（2）以最终目标函数为M（W）最小为原则，对BP神经网络进行训练，寻找最优可能网络参数W。（3）寻找最优可能参数α，β。（4）采用不同初始网络参数寻找最优网络参数。（5）对不同网络结构A，寻找最优网络参数。

2贝叶斯算法的BP神经网络量化结果分析

2.1训练样本与测试样本在对管道进行磁化的过程中，最常用的方法是沿管道轴向进行磁化，提取缺陷处沿轴向变化的漏磁场与沿周向变化的漏磁场，缺陷的长度信息主要由沿轴向变化漏磁场反应，缺陷的宽度信息主要由沿周向变化的漏磁场反应，而缺陷的深度信息则是由这两个量共同反应[9]。本文采用实验的方法获取网络所需样本，这里以对陡壁缺陷的分析为例，研究贝叶斯算法的BP神经网络对陡壁缺陷量化的有效性。分别制作缺陷长度为3，3.5，4，4.5，5，5.5倍管道壁厚，宽度为0.5，1，1.5，2倍管道壁厚，深度为0.1，0.15，0.2，0.25倍管道壁厚，共得到96组测量结果，取其中80个缺陷特征作为网络的训练样本，剩余的16个缺陷特征作为测试样本。

2.2长度的量化采用统计分析的方法选取与缺陷长度关系密切的特征量作为神经网络的输入信号，将缺陷长度作为网络的输出信号来对网络进行训练。所选取主要特征有漏磁场轴向分量的静态阈值截取长度、一阶微分信号极小值的位置与周向变化漏磁场动态阈值截取长度。分别对基本的BP神经网络与贝叶斯算法的BP神经网络进行训练，当均方误差小于10-3时停止训练，得到两种网络的训练与学习过程如图1所示。比较两种算法训练过程可以看出贝叶斯算法的BP神经网络总共进行了331次训练，而基本的BP神经网络总共进行了1789次训练，可见贝叶斯算法的BP神经网络的收敛速率更快。用16组测试数据对两种网络长度的量化误差进行比较，得到量化后缺陷最大相对误差与最小相对误差如表1所示，对应贝叶斯算法BP神经网络量化的缺陷如表2所示。从表2中可以看出，采用贝叶斯算法的BP神经网络量化得到的缺陷长度与设计值的误差明显小于基本的BP神经网络，最大相对误差仅为0.05%。

2.3宽度的量化与缺陷长度的量化相似，采用统计分析的方法选取与缺陷宽度关系密切的特征量作为神经网络的输入信号，将缺陷宽度作为网络的输出信号来对网络进行训练。所选取主要特征有轴向变化漏磁场峰谷值、周向变化漏磁场波形面积、波形能量、静态阈值截取长度。分别对基本的BP神经网络与贝叶斯算法的BP神经网络进行训练，当均方误差小于10-3时停止训练，得到两种网络的训练与学习过程如图2所示。比较两种算法训练过程可以看出贝叶斯算法的BP神经网络总共进行了269次训练，而基本的BP神经网络总共进行了2248次训练，可见引入贝叶斯算法后的BP神经网络的收敛速率大幅提升。与之前相同，用16组测试数据对两种网络宽度的量化误差进行比较，得到量化后缺陷误差如表3所示，贝叶斯算法BP神经网络量化达到误差的缺陷见表4。在对缺陷宽度进行量化的过程中，尽管量化得到的最大相对误差仍较大，采用贝叶斯算法的BP神经网络量化得到的缺陷宽度与设计值的误差明显小于基本的BP神经网络。

2.4深度的量化在对缺陷的深度进行量化时，采用统计分析的方法选取了缺陷的长度、宽度以及轴向变化漏磁场的两个峰谷值、波形面积、周向变化漏磁场峰值、峰谷值作为神经网络的输入信号，将缺陷深度作为网络的输出信号来对网络进行训练。对基本的BP神经网络与贝叶斯算法的BP神经网络进行训练，得到两种网络的训练与学习过程如图3所示。贝叶斯算法BP神经网络总共进行了4152次训练，基本的BP神经网络总共进行了8763次训练，尽管引入贝叶斯算法BP神经网络的训练过程仍旧较长，但比基本BP神经网络的收敛速率有所提升。用16组测试数据对两种网络深度的量化误差进行比较，得到量化后缺陷误差如表5所示，贝叶斯算法BP神经网络量化达到误差的缺陷见表6。从对缺陷深度量化结果可以看出，采用贝叶斯算法的BP神经网络对缺陷深度进行量化，得到的缺陷深度与设计值的误差小于基本的BP神经网络。

3结束语

本文为克服传统BP神经网络中训练速度慢、识别精度较低、数据过拟合、容易进入局部极小点等缺