蚁群神经网络在涡流无损检测中的应用

　　摘要：本文针对RBF神经网络参数选取问题，提出蚁群智能算法优化RBF神经网络，该算法利用正反馈机制迅速确定较优中心节点，同时利用其分布式计算特点避免算法过早的收敛。在涡流无损检测中的应用表明：蚁群算法提高了中心节点的聚类质量，优化了RBF网络结构，提高了识别的精度，应用效果良好。
　　关键词：RBF神经网络 蚁群算法 涡流无损检测
　　中图分类号：TB302文献标识码：A文章编号：1672-3791（2012）09（c）-0004-02
　　涡流无损检测以电磁感应理论为基础，通过涡流的变化检测被检材料近表面有无缺陷，并通过对缺陷信号的分析，判断缺陷形状甚至对其发展趋势做出预测。目前，涡流无损检测技术已经广泛应用于压力容器、核电站热交换管道、飞机结构等导电材料近表面缺陷的检测中。对缺陷信号的特征识别是检测中的关键技术，也是制约涡流检测技术发展的一大难题。近年来，神经网络技术在特征识别方面得到了较多的应用[1]。径向基函数（Radial Basis Function，RBF）神经网络是一种前馈神经网路，因其具有结构简单、计算量少、学习速度快、泛化能力强、训练时间短等优点己被成功应用于无损检测领域。决定RBF网络性能的主要参数有两个：一是径向基函数中心利宽度；二是输出权值，它们直接关系着输出结果的精确度和收敛速度。一般来说，径向基函数中心通常用聚类的方法获得，但传统算法受选择的聚类中心、样品几何性质及排列次序影响极大，并且由于聚类数目无法确定导致网络泛化能力不强。因此寻找确定网络中心的合理方法成为设计RBF网络的首要问题。本文采用了蚁群算法来确定RBF网络中心。蚁群算法作为一种随机优化方法，不需要任何先验知识，最初只是随机的选择搜索路径，随着对空间的了解，搜索更加具有规律性，最终得到全局最优解[2～5]—— 这不仅可以加快聚类速度，而且使聚类中心更加优化。仿真结果表明，采用蚁群算法确定RBF中心及节点宽度，提升了网络鲁棒性和训练度，从而较好地完成了涡流无损检测。
　　1 蚁群算法概述
　　蚁群算法（又称蚁群系统）是受到自然界中真实蚁群集体行为的启发，利用蚁群通过个体间的信息传递、搜索从蚁穴到食物间的最短路径的集体寻优特征，来解决组合优化问题。蚁群算法本质上是一种模拟进化算法，它结合了分布式计算、正反馈机制和贪婪搜索的搜索算法，具有不易陷入局部最优，快速得到最优解，缩短搜索时间的优点[3]。
　　蚁群算法基本思想：蚂蚁从不同的路径去寻找食物源，在走过的路径上留下信息素，使得一定范围内的其他蚂蚁能够觉察并由此影响未来的行为。某个路径上通过的蚂蚁越多，留下的信息素也越多，该路径被其他蚂蚁选择的概率也越高；动态调整各路径上的信息素，蒸发掉信息素少的，最终，根据各路径上的信息素的多少来确定最优（短）路径[4]。
　　（4）根据式（3），计算ci合并到cj的概率。
　　（5）判断是否成立。若成立，将cj类归并到ci类，类别数CenterNum减1，而后重新计算归并后的RBF聚类中心。
　　（6）若没有归并或达到最大迭代次数，则停止循环，否则转第（2）步继续迭代。
　　（7）确定隐层节点宽度。，其中为第i个聚类中心与其他最近的聚类中心之间的最短距离，既，A为常数。
　　4 优化算法在涡流无损检测中的应用
　　本文采用蚁群神经网络对板材进行涡流无损检测，其系统工作原理如下：探头从板材的一端移动到另外一端，采集电压和电流信号，通过放大器将其放大、滤波，通过对信号的处理得到探头的阻抗增量。通过实验发现：线圈阻抗增量的幅值主要受缺陷的长度影响，而阻抗增量的相位主要受缺陷深度的影响。之后，将小波多尺度边缘检测方法得到的信号特征值作为RBF网络的输入样本[7]，经过神经网络训练得到缺陷特征值。
　　本实验在深度固定条件下通过神经网络来判断缺陷的长度。训练样本为长度范围为12～35mm的56组数据；检验样本为深度4mm，长度不同的8组数据。每只蚂蚁对应一组训练样本，最终确定出RBF中心即蚂蚁找到了通往的食物源的最优路径。为检验RBF网络性能，本文将其和OLS算法进行对比[8]，结果如表1所示。
　　通过表可以看出，应用蚁群算法后，RBF网络结构得到优化。OLS算法得到的网络结构为8×41×1，蚁群算法结构为8×25×1。并且网络鲁棒性和训练速度也得剑了改善。
　　5 结论
　　蚁群优化算法是近年来才提出的一种基于种群寻优的启发式搜索算法。它利用自然进化机制来表现复杂现象，结合分布式汁算、正反馈机制利贪婪式搜索算法，使算法不容易陷入局部最优并且收敛速度快。本文采用蚁群算法优化RBF网络中心后，通过与OLS算法对比表明：采用蚁群算法的RBF网络结构更优，网络鲁棒性和精度得到了提高，仿真效果更为良好。
　　参考文献
　　[1]施克仁，何朝辉.人工网络在涡流检测信号处理中的应用[J].无损检测，1996，18（7）：199-201.
　　[2]洪炳熔，会飞虎，高庆吉.基于蚁群算法的多层前馈神经网络[J].哈尔滨工业大学学报，2003，35（7）：823-825.
　　[3]Dorigo M，Gambardella L M.Ant colony system：a cooperativc learning approach to the traveling salesman problem. IEEE Transon Evolutionary Computation，1997，1（1）：53-66.
　　[4]Jayaraman V K，Kulkarni B D， Karale S，et al.Ant colony frame work of optimal design and scheduling of batch plants[J].Computers and Chemical Engineering，2000，7（24）：1901-1912.
　　[5]王剑，李平，杨春节.蚁群算法的理论与应用[J].机电工程，2003，20（5）：126-129
　　[6]周美兰，敖雪.基于蚁群神经网络的电控发动机故障诊断研究[J].黑龙江大学自然科学学报，2011，28（3）：415-420.
　　[7]孙晓云，曾礼，刘东辉，等.涡流无损检测中快速识别方法的研究[J].电工电能新技术，2002，21（2）：64-67.
　　[8]刘文菊，郭景.RBF神经网络选取OLS算法的研究[J].天津工业大学学报，2002（21）：72-7