基于小波理论和神经网络的超声检测信号分析与识别

《基于小波理论和神经网络的超声检测信号分析与识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要超声定量无损检测是国际上无损检测领域研究的热点和前沿，也是无损检测的一个难题和发展方向。通过超声定量无损检测，不仅要判断出缺陷的存在与否和大致位置。还要进一步确定缺陷的类型、大小、取向和性质等。本论文主要是从信号处理分析技术和人工神经网络技术的应用这两个方面对超声定量无损检测进行研究和探讨。在超声检测信号处理分析技术成像和数据整理中，由于检测的主观性，会带来超声检测系统的不可靠性。因此，为了提高超声检测技术的可靠性，实现超声检测的定量化，本论文提出将小波包分析的信号处理技术用以超声检测，以期提高回波信号的信噪比。为了能够从超声检测回波信号特征中实现缺陷的性质分析，

2、有效地提取缺陷信号的特征矢量，使用神经网路对缺陷进行识别分类，本论文提出了基于小波包变换分析的超声检测信号特征提取的方法，提出和定义方向基概率神经网络模型，设计了基于方向基概率神经网络的超声检测信号的分类器。以裂纹和气孔缺陷信号的特征矢量的识别分类为例，在Window环境下，采用MATLAB6．5编程实现了缺陷回波信号的小波包去噪和方向基概率神经网络对缺陷进行模式识别。研究结果表明：利用小波包阙值去噪，可以有效地抑制噪声干扰，大大提高了缺陷回波信号的信噪比，改善了信号特征信息的质量，提离有用信号，并且具有较高的缺陷定位精度和纵向分辨率；同时，方向基概率神经网络应用于模

3、式识别，较方向基函数神经网络和概率神经网络，不仅在训练速度上有较大的提高，而且在分类性能上有了明显的改善，为缺陷模式分类问题的解决提供了一个有效的手段。关键词：超声无损检测；小波包变换；神经网络；模式识别华南理工大学工学硕士学位论文AbstractUltrasonicquantitativenondestructivetesting，whichishot-topicandforeland，isalongdifficultproblemanddevelopingdirectionininiternationalnondestructivetestingfield．ttp

4、rovidedamethodthatcantestedflawnotonlyitslocationbutalsoitstypes,size，tropismandcharacteristics．ThepaperresearchesanddiscussesUltrasonicquantitativenondestructivetestingbasedonsiganlprocessinganalysistechniqueandartificialnerualnetworkstechnique．ProposesovercomingSUbjectivityandfallibil

5、itythatbringbysiganlprocessinganalysistechniqueanddataprocessinginUTandrealizingquantitativeanalysis，thispapercanleoutwaveletpacketanalysisappliedtoUTsignalprocessing．What’Smore，aimingatachievingflawcharacterizationanalysisfromthepulse-echoenvelopeandextractingsignalfeaturesvectoreffect

6、ivelyandclassifyingflawbyusingneuralnetworks，thisresearchcarriedoutextractionfeaturesbasedonwaveletpackettransformandthemodelofdirectionalbasisprobabilisticneuralnetwork(DBPNN)andthecorrespondingalgorithmandtheorywhichappliedinpatternrecognitionanddesignedclassificationbasedonDBPNN．With

7、cracksandporositysignal，underWindowscircumstanceandbyuseofMATLAB6．5programlanguage，itisrealizedthatapplicationofwaveletpacketanalysisinultrasonicsignalwasaimingatde—noisingandclassificationbydirectionalbasisprobabilistieneuralnetworkapplicationtopatternrecognition．Fromtheresult