本發(fā)明涉及合金檢測(cè)領(lǐng)域，尤其涉及一種基于人工神經(jīng)網(wǎng)絡(luò)的合金牌號(hào)識(shí)別方法。

背景技術(shù)：

牌號(hào)識(shí)別，指將被檢測(cè)樣品的實(shí)測(cè)元素含量信息與牌號(hào)庫(kù)內(nèi)若干個(gè)牌號(hào)的元素含量范圍信息對(duì)比，推測(cè)出檢測(cè)對(duì)象的牌號(hào)等相關(guān)信息。牌號(hào)識(shí)別是隨著合金檢測(cè)行業(yè)的發(fā)展逐漸衍生出的一項(xiàng)新功能，該功能極大地方便了合金的識(shí)別和歸類。

現(xiàn)有的牌號(hào)識(shí)別方法種類較少，大體上分如下幾種：(1)按照實(shí)測(cè)元素含量值是否位于牌號(hào)規(guī)定的含量范圍內(nèi)來(lái)界定檢測(cè)對(duì)象是否為該牌號(hào)，該方法缺點(diǎn)為，如果某個(gè)元素含量超出該范圍(即使超出的并不多)會(huì)影響檢測(cè)對(duì)象的牌號(hào)識(shí)別。(2)改進(jìn)的方法有，將含量范圍做適當(dāng)放大用多個(gè)“范圍”來(lái)界定檢測(cè)對(duì)象是否為該牌號(hào)。以上(1)、(2)兩類算法有較強(qiáng)的偶然性、識(shí)別結(jié)果易受檢測(cè)誤差的影響、不易調(diào)試和維護(hù)。(3)基于隸屬度函數(shù)的牌號(hào)識(shí)別算法，根據(jù)不同情況構(gòu)造若干隸屬度函數(shù)，即將實(shí)測(cè)元素含量在范圍內(nèi)的程度量化，該方法有較優(yōu)秀的準(zhǔn)確性和容錯(cuò)性，但參數(shù)的調(diào)整中需考慮不同情況隸屬度函數(shù)間的兼容性，因此不易維護(hù)。(4)基于相關(guān)系數(shù)的牌號(hào)識(shí)別算法，其基本原理為構(gòu)造相關(guān)系數(shù)計(jì)算公式，該相關(guān)系數(shù)表征實(shí)測(cè)元素含量與牌號(hào)庫(kù)中元素含量區(qū)間內(nèi)某特定值的相似程度，該算法的缺點(diǎn)在于在牌號(hào)識(shí)別計(jì)算中微量元素與大量元素占相同的權(quán)重，有時(shí)會(huì)造成牌號(hào)識(shí)別出現(xiàn)錯(cuò)誤。

牌號(hào)識(shí)別問(wèn)題還有另外一種形式：僅提供元素含量參考值的牌號(hào)識(shí)別問(wèn)題。也就是牌號(hào)庫(kù)并未提供牌號(hào)的元素含量范圍信息而僅提供元素含量參考值?，F(xiàn)有的牌號(hào)識(shí)別方法并不針對(duì)該問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述不足，本發(fā)明提供一種基于人工神經(jīng)網(wǎng)絡(luò)的合金牌號(hào)識(shí)別方法，將人工神經(jīng)網(wǎng)絡(luò)引入到牌號(hào)識(shí)別問(wèn)題中，利用人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力、容錯(cuò)能力，拋開復(fù)雜的分析過(guò)程，將合金牌號(hào)的識(shí)別問(wèn)題轉(zhuǎn)換成一個(gè)黑箱問(wèn)題，借助計(jì)算機(jī)強(qiáng)大的計(jì)算能力，實(shí)現(xiàn)合金牌號(hào)的準(zhǔn)確識(shí)別。

為了達(dá)到上述目的，本發(fā)明采用的技術(shù)方案如下：一種基于人工神經(jīng)網(wǎng)絡(luò)的合金牌號(hào)識(shí)別方法，具體包括以下步驟：

(1)人工神經(jīng)網(wǎng)絡(luò)的建立

根據(jù)牌號(hào)庫(kù)的大小建立人工神經(jīng)網(wǎng)絡(luò)，該人工神經(jīng)網(wǎng)絡(luò)包括神經(jīng)網(wǎng)絡(luò)類型、層數(shù)、每層的神經(jīng)元個(gè)數(shù)、傳遞函數(shù)、訓(xùn)練函數(shù)；

神經(jīng)網(wǎng)絡(luò)的類型是前饋多層網(wǎng)絡(luò)或全反饋網(wǎng)絡(luò)；

神經(jīng)網(wǎng)絡(luò)分別具有1個(gè)輸入層和1個(gè)輸出層；另外，隱層層數(shù)為2-3層；

每層的神經(jīng)元個(gè)數(shù)為10個(gè)以上100個(gè)以下，輸出層神經(jīng)元個(gè)數(shù)為1個(gè)或與輸入層神經(jīng)元個(gè)數(shù)相同；

在傳遞函數(shù)的選擇方面，隱層使用非線性傳遞函數(shù)，輸出層使用線性傳遞函數(shù)；

在訓(xùn)練函數(shù)的選擇方面，訓(xùn)練函數(shù)為l-m優(yōu)化算法、準(zhǔn)牛頓bp算法、彈性梯度下降法、梯度下降法或量化共軛梯度法。

(2)人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

選取訓(xùn)練樣本，樣本的輸入為重點(diǎn)關(guān)注元素的元素含量，樣本的輸出為牌號(hào)的牌號(hào)標(biāo)識(shí)碼，訓(xùn)練得到人工神經(jīng)網(wǎng)絡(luò)；其中重點(diǎn)關(guān)注元素指合金中百分含量大于0.1％的所有元素；

(3)人工神經(jīng)網(wǎng)絡(luò)的仿真

將被檢測(cè)樣品的實(shí)測(cè)數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，將神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)就近取整，取整后的數(shù)值即為被檢測(cè)樣品的牌號(hào)標(biāo)識(shí)碼，最后根據(jù)牌號(hào)標(biāo)識(shí)碼報(bào)出被檢測(cè)樣品的牌號(hào)。

進(jìn)一步的，所述隱層使用非線性傳遞函數(shù)，非線性傳遞函數(shù)為對(duì)數(shù)型或正切型。

進(jìn)一步的，訓(xùn)練樣本的來(lái)源有以下4種途徑：

1)實(shí)測(cè)數(shù)據(jù)，即各牌號(hào)實(shí)際樣品的測(cè)試結(jié)果；

2)根據(jù)各牌號(hào)元素含量區(qū)間隨機(jī)生成的若干組模擬數(shù)據(jù)；

3)根據(jù)各牌號(hào)元素含量區(qū)間生成的元素含量依次遞增的若干組模擬數(shù)據(jù)；

4)以上3種途徑的不同組合。

本發(fā)明的有益效果如下：

1)本方法將人工神經(jīng)網(wǎng)絡(luò)引入到牌號(hào)識(shí)別問(wèn)題中，利用人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力、容錯(cuò)能力，拋開復(fù)雜的分析過(guò)程，將合金牌號(hào)的識(shí)別問(wèn)題轉(zhuǎn)換成一個(gè)黑箱問(wèn)題，借助計(jì)算機(jī)優(yōu)良的計(jì)算能力，實(shí)現(xiàn)合金牌號(hào)的準(zhǔn)確識(shí)別。

2)本方法具有極強(qiáng)的可調(diào)性，從神經(jīng)網(wǎng)絡(luò)類型、層數(shù)、每層的神經(jīng)元個(gè)數(shù)、傳遞函數(shù)、訓(xùn)練函數(shù)，到樣本的來(lái)源、樣本大小等參數(shù)均可以做出調(diào)整，從而不斷擴(kuò)展該方法的適應(yīng)性。

附圖說(shuō)明

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做進(jìn)一步的說(shuō)明：

圖1為本發(fā)明的流程圖；

圖2為本發(fā)明一個(gè)實(shí)施例的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；

圖3為本發(fā)明一個(gè)實(shí)施例的訓(xùn)練誤差圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明做進(jìn)一步的說(shuō)明。

如圖1所示，一種基于人工神經(jīng)網(wǎng)絡(luò)的合金牌號(hào)識(shí)別方法，具體包括以下步驟：

(1)人工神經(jīng)網(wǎng)絡(luò)的建立

根據(jù)牌號(hào)庫(kù)的大小建立人工神經(jīng)網(wǎng)絡(luò)，該人工神經(jīng)網(wǎng)絡(luò)包括神經(jīng)網(wǎng)絡(luò)類型、層數(shù)、每層的神經(jīng)元個(gè)數(shù)、傳遞函數(shù)、訓(xùn)練函數(shù)；

神經(jīng)網(wǎng)絡(luò)的類型是前饋多層網(wǎng)絡(luò)(bp網(wǎng)絡(luò))或全反饋網(wǎng)絡(luò)(hopfield網(wǎng)絡(luò))等；

神經(jīng)網(wǎng)絡(luò)分別具有1個(gè)輸入層和1個(gè)輸出層；另外，隱層層數(shù)為2-3層；

每層的神經(jīng)元個(gè)數(shù)為10個(gè)以上100個(gè)以下，根據(jù)神經(jīng)網(wǎng)絡(luò)的類型和層數(shù)做適當(dāng)調(diào)整；輸入層神經(jīng)元個(gè)數(shù)取決于具體的牌號(hào)識(shí)別問(wèn)題中重點(diǎn)關(guān)注元素個(gè)數(shù)；輸出層神經(jīng)元個(gè)數(shù)為1個(gè)(內(nèi)容為牌號(hào)標(biāo)識(shí)碼(與牌號(hào)一一對(duì)應(yīng)))或與輸入層神經(jīng)元個(gè)數(shù)相同(內(nèi)容為重點(diǎn)關(guān)注元素的參考含量，以此為依據(jù)推測(cè)牌號(hào))；

在傳遞函數(shù)的選擇方面，隱層使用非線性傳遞函數(shù)，非線性傳遞函數(shù)為對(duì)數(shù)型(log-sigmoid)或正切型(tan-sigmoid)；輸出層使用線性傳遞函數(shù)(purelin)；所述隱層使用非線性傳遞函數(shù)。

在訓(xùn)練函數(shù)的選擇方面，訓(xùn)練函數(shù)為l-m優(yōu)化算法、準(zhǔn)牛頓bp算法、彈性梯度下降法、梯度下降法或量化共軛梯度法。

(2)人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要大量樣本。樣本的來(lái)源有以下4種途徑：

1)實(shí)測(cè)數(shù)據(jù)，即各牌號(hào)實(shí)際樣品的測(cè)試結(jié)果；

2)根據(jù)各牌號(hào)元素含量區(qū)間隨機(jī)生成的若干組模擬數(shù)據(jù)；

3)根據(jù)各牌號(hào)元素含量區(qū)間生成的元素含量依次遞增的若干組模擬數(shù)據(jù)；

4)以上3種途徑的不同組合。

樣本的輸入為重點(diǎn)關(guān)注元素的元素含量，樣本的輸出為牌號(hào)的牌號(hào)標(biāo)識(shí)碼，訓(xùn)練得到人工神經(jīng)網(wǎng)絡(luò)；其中重點(diǎn)關(guān)注元素指合金中百分含量大于0.1％的所有元素；

在人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中樣本個(gè)數(shù)少則易收斂，訓(xùn)練耗時(shí)少，但網(wǎng)絡(luò)適應(yīng)性差；反之則可能會(huì)不收斂(達(dá)不到預(yù)期的誤差水平)。故在訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)時(shí)需反復(fù)試驗(yàn)，控制合理的樣本個(gè)數(shù)。

(3)人工神經(jīng)網(wǎng)絡(luò)的仿真

將被檢測(cè)樣品的實(shí)測(cè)數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，將神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)就近取整，取整后的數(shù)值即為被檢測(cè)樣品的牌號(hào)標(biāo)識(shí)碼，最后根據(jù)牌號(hào)標(biāo)識(shí)碼報(bào)出被檢測(cè)樣品的牌號(hào)。

實(shí)施例：

本實(shí)施例建立了一個(gè)前饋網(wǎng)絡(luò)，該人工神經(jīng)網(wǎng)絡(luò)具有1個(gè)輸入層，1個(gè)輸出層，2個(gè)隱層(每層神經(jīng)元個(gè)數(shù)均為20)，隱層傳遞函數(shù)采用雙曲正切s型傳輸函數(shù)(tansig)，輸出層傳遞函數(shù)采用線性傳遞函數(shù)(purelin)，訓(xùn)練函數(shù)采用量化共軛梯度法(trainscg)，如圖2所示。

本實(shí)施例中樣本來(lái)源于實(shí)測(cè)數(shù)據(jù)(即牌號(hào)庫(kù)中各牌號(hào)實(shí)際樣品的測(cè)試結(jié)果)。其所涉及的牌號(hào)庫(kù)共有7個(gè)牌號(hào)，牌號(hào)名稱分別為：牌號(hào)a、牌號(hào)b、牌號(hào)c、牌號(hào)d、牌號(hào)e、牌號(hào)f、牌號(hào)g。牌號(hào)標(biāo)識(shí)碼分別為1、2、3、4、5、6、7。對(duì)該牌號(hào)庫(kù)中的每個(gè)樣品測(cè)試50次(其中的45次測(cè)試數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入、另外5次測(cè)試數(shù)據(jù)用于結(jié)果驗(yàn)證)。樣本輸入為一個(gè)長(zhǎng)度為10(重點(diǎn)關(guān)注元素個(gè)數(shù)為10個(gè))的向量，該向量的各元素均表征元素的含量值，輸出數(shù)據(jù)為牌號(hào)標(biāo)識(shí)碼。

設(shè)計(jì)該人工神經(jīng)網(wǎng)絡(luò)的最大迭代次數(shù)為10000次，均方誤差目標(biāo)設(shè)為10^-8，將每個(gè)樣品的任意45次測(cè)試結(jié)果作為輸入，對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，如圖3所示，訓(xùn)練結(jié)束后，均方誤差為5.24*10-8。

將每個(gè)牌號(hào)的另外5次測(cè)試數(shù)據(jù)作為輸入分別進(jìn)行仿真，將輸出數(shù)據(jù)就近取整后判斷取整后的數(shù)值與牌號(hào)標(biāo)識(shí)碼是否一致，隨后計(jì)算相對(duì)誤差。計(jì)算結(jié)果見(jiàn)表1。

表1仿真結(jié)果及數(shù)據(jù)分析

由表1可見(jiàn)，35次測(cè)試數(shù)據(jù)的仿真結(jié)果均正確，且相對(duì)誤差均能控制在0.00125以內(nèi)，該神經(jīng)網(wǎng)絡(luò)用于該牌號(hào)庫(kù)的牌號(hào)識(shí)別具有極強(qiáng)的可靠性。