神经网络集成在玻壳分类中的应用

程聪 白鑫

摘要：玻壳的各项尺寸数据直接影响彩色显像管的图像真实性、清晰度、安全性和整机装配质量。

关键词：Bagging；Boosting；神经网络；玻壳；分类1对玻壳分类的分析

1.1 BP神经网络对玻壳分类的分析

神经网络能够很好地对数据集合中含有噪声的传感器数据进行学习。利用传感器对玻壳进行测量得到相应的尺寸数据，玻壳有两种类型废品和良品。利用BP神经网络对玻壳数据进行分类时，把玻壳上每个点的尺寸数据作为输入，玻壳的类型作为目标输出，并设目标值为0和1。

利用量规测量玻壳的尺寸数据，尺寸数据包括锥周边数据、锥管颈数据、屏周边数据和屏平坦度数据等等。本文利用Bagging集成神经网络对玻壳进行分类。

1.2 集成神经网络对玻壳分类的分析

神经网络集成可以显著提高学习器的精度和泛化能力，避免陷入局部极小值。神经网络集成对玻壳分类可以克服BP神经网络在玻壳数据分类中存在的一些问题，并能提高玻壳分类的精度和泛化能力，提高玻壳品位，降低误判率。假设有n个独立的神经网络集成的分类器，其中每个网络的错误概率为p，且网络之间错误是独立不相关的，则在采用绝对多数投票法集成[2]时，设神经网络集成的误差率为erro，见公式（1-1）

只要p<0.5，则错误概率erro随集成规模N增大而单调递减。因此，只有集成中成员网络的预测精度都高于0.5，且单个网络之间错误不相关，则神经网络集成中的网络数目越多，集成的精度就越高。当n趋向于无穷时，集成的错误率趋于0。

针对集成神经网络对玻壳分类的方法进行了研究，利用这种方法来判定玻壳品位，能缩短生产线员工根据尺寸数据调整参数使生产稳定的时间，这样也就提高了玻壳良品率和产量，减少玻壳产品的误判率，提高了公司的盈利空间。

2神经网络在玻壳分类中的应用

彩色玻壳有三部分组成，分别为玻屏、玻锥和管颈。彩色玻壳生产系统属于大规模流水线作业，每个生产工序都有一定的稳定性，这样由于某些工艺参数波动引起的尺寸不良现象，一般具有连续性和规律性，所以尺寸项目的管理很重要。玻锥進行研磨时的研磨量直接影响定位块周边尺寸和管颈偏心R1、R2、R3和R0的尺寸。定位块高差A和B合格与否，由管颈偏心R1、R2、R3、R0，管径倾斜T1、T2、T3，半成品定位块NAB和NC尺寸决定。管颈偏心，管径倾斜项目在NTR自动量规上测量，玻锥定位块是测量玻锥定位块周边的基准，是玻锥与玻屏封接的定位基准，当A、B定位块之间存在高度差或定位块绝对高度和理论高度相差较大时，在显像管厂家低封时，会引起锥体相对于屏发生旋转，造成屏锥封接错位。这就要求必须严格控制定位块研磨完成后相对偏转中心的位置度。利用集成神经网络对这些测量的数据进行学习分类，剔除不合格尺寸的玻壳。也可以根据对玻壳定位块分类结果，来修正管径中心与定位块决定的锥体中心的偏差量，进而满足用户的最终要求。

2.1 Bagging神经网络集成在玻壳分类中的实现

Bagging集成神经网络[2]的训练集选择是随机的，每个学习器的训练集相互独立。本文采用类似Bagging的子训练数据集生成方法，按照事先确定好地样例取出规则组织子训练样例，保证每个原始训练实例都要用到，但可以重复，子训练集又不会完全一样，这样可以增加样例的作用，增加每个学习器的相异性，能够提高集成学习的泛化能力。⑴利用bootstrap技术[3]产生10个不同的数据集。⑵利用Bagging技术构造集成神经网络，对10个不同的数据集进行训练学习得到10个不同神经网络，对各神经网络集采用多数投票的方法进行集成，然后利用集成结果对10个测试数据集进行测试。

2.2 神经网络对单枚玻壳数据分类误差比较

单个BP神经网络和Bagging神经网络集成分别在十个测试数据集上每枚数据的误差图进行比较。在第一和第二个测试数据集上误差值，分别如图1-1，图1-2。

误差图中，*代表每枚玻壳的输出误差值。由图可知，单个BP神经网络在10个测试数据集上误差值大，并且不稳定；Bagging集成神经网络在10个测试数据集上误差值较小，分布在0附近，即误差几乎等于0。由此说明Boosting神经网络集成与BP神经网络在玻壳数据分类上性能较差，输出精度较低，误差较大，性能不稳定。而Bagging神经网络集成的输出精度高，误差小，性能稳定。能够成功应用于玻壳分类中，提高玻壳分类的品位。

[参考文献]

[1]张德丰.MATLAB神经网络应用设计[M].北京:机械工业出版社,2007.20-108.

[2]周志华.机器学习和它面临的挑战[J].计算机科学面临的挑战高层研讨会.技术报告.厦门大学:2003.

[3]王莎.Bp神经网络在股票预测中的应用研究[D].中南大学.2006.