基于EMD和GA-SVM的超声检测缺陷信号识别

发布时间：2017-10-22 04:13

  本文关键词：基于EMD和GA-SVM的超声检测缺陷信号识别

  更多相关文章： 缺陷信号识别 遗传算法 支持向量机 经验模态分解

【摘要】：为提高金属探伤时对缺陷的识别能力,提出一种遗传优化支持向量机,结合经验模态分解(EMD),对超声波缺陷信号进行自动识别。首先进行经验模态分解法分解,提取出原始信号特征,构建特征向量。鉴于常用的神经网络模型识别率不高及支持向量机参数难确定的问题,利用遗传算法优化支持向量机模型(GA-SVM)的惩罚因子和核参数,提高支持向量机建模精度。分别采用神经网络模型、SVM模型和GA-SVM模型对特征向量进行训练与测试,GASVM模型识别率达到98.437 5%,优于神经网络方法和未改进的交叉验证法SVM模型。试验结果表明:遗传算法能有效提高支持向量机的性能,在小样本条件下能够提高超声缺陷的识别率。
【作者单位】： 华北电力大学自动化系;
【关键词】： 缺陷信号识别 遗传算法 支持向量机 经验模态分解
【分类号】：TB559;TP18
【正文快照】： 0引言超声检测由于其穿透力强、检测灵敏度高、使用方便等优势得到广泛使用,如对缺陷大小、形状、位置、类型等的无损评判[1]。目前,超声定位分析技术比较成熟,缺陷的定性自动识别已成为超声检测和模式识别领域的研究热点。现实作业中,超声定性评定通常由专业工程师通过肉眼和

【参考文献】

中国期刊全文数据库 前1条

1 刘清坤;阙沛文;郭华伟;宋寿鹏;;基于支持向量机和特征选择的超声缺陷识别方法研究[J];中国机械工程;2006年01期

中国博士学位论文全文数据库 前1条

1 姚凯;基于金属磁记忆法的铁磁材料早期损伤检测与评价的实验研究[D];北京交通大学;2014年

【共引文献】

中国期刊全文数据库 前10条

1 张子宁;单甘霖;段修生;张岐龙;;基于改进遗传算法的支持向量机特征选择[J];电子产品世界;2010年Z1期

2 王凌云;黄红辉;王雪;谢志江;;重轨表面缺陷机器视觉检测的关键技术[J];重庆大学学报(自然科学版);2007年09期

3 王雪;岳海峰;谢志江;程力e，

本文编号：1076694