基于改进模糊支持向量机的磁记忆检测缺陷识别.pdf

《基于改进模糊支持向量机的磁记忆检测缺陷识别.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第34卷第6期计量学报Vo1．34，No62013年11月ACTAMETR0L0GICASINICANovember，2013doi：10．3969／j．issn．1000—1158．2013．06．14基于改进模糊支持向量机的磁记忆检测缺陷识别朱红运，王长龙，王建斌，刘兵(军械工程学院电气工程系，河北石家庄050003)摘要：针对磁记忆检测信号弱、缺陷区域无法有效识别的问题，提出了一种改进的模糊支持向量机(FSVM)，并将其应用于磁记忆检测缺陷的识别。改进的FSVM一方面在传统确定模糊隶属度函数方法的基础上，通过构造k近邻离散度，减弱孤立点或噪声样本对分类的影响；另

2、一方面通过对样本特征值进行加权处理，消弱冗余特征或弱特征对识别的影响。将改进FSVM应用于磁记忆检测缺陷识别。实验结果表明：该方法可以有效识别不同危险区域的缺陷信号，具有较好的鲁棒性和分类能力，是一种有效的磁记忆检测缺陷识别方法。关键词：计量学；金属磁记忆；缺陷识别；模糊支持向量机；特征加权中图分类号：TB972文献标识码：A文章编号：1000—1158(2013)06-0579-04DefectRecognitionofMetalMagneticMemoryTestingBasedonImprovedFuzzySupportVectorMachineZHUHong-

3、yun，WANGChang—long，WANGJian—bin，LIUBing(DepartmentofElectricalEngineering，OrdnanceEngineeringCollege，Shijiazhuang，Hebei050003，China)Abstract：Sincethemetalmagneticmemory(MMM)signalisweakandthedefectscan’tberecognizedeffectively，anovelfuzzysuppo~vectormachine(FSVM)isproposed．Inordertoredu

4、eetheinfluenceofisolationpointandnoiseonclassificationaccuracy，thek-nearestneighbordispersionisconstructedbasedonthetraditionaldeterminationmethodofthefuzzymembership．Besides，thefeatureweighteddegreeofeachfeatureiscalculatedtOreducetheinfluenceofredundantandweakfeaturesonclassificationa

5、ccuracy．AndthentheproposedapproachisappliedtorecognizeMMMsignalsofdiferentareas，theexperimentalresultsshowthattheproposedapproachcanrecognizethisMMMsignalsefectively，itismorerobustandhasthebetterperformanceofrecognition．TheproposedFSVMapproachisafeasiblerecognitionalgorithmforMMMsignals

6、ofdifferentareas．Keywords：Metrology；Metalmagneticmemory；Defectrecognition；Fuzzysuppo~vectormachine；Featureweighting忆信号是一种天然弱磁信号，并且缺陷表面的漏磁1引言场与应力场之间不成比例关系，使得磁记忆检测对已经形成的应力集中程度较高的宏观缺陷并不敏金属磁记忆作为一种新型无损检测技术可以准感，在实际工程检测中还无法有效识别应力集中区确可靠地探测出被检对象上的微观缺陷及应力集中与微小宏观缺陷区域。导致的危险部位，是能够实现铁磁性材料早期诊断支持向量机(SV

7、M)算法由于具有良好的非线的一种有效的无损检测方法。然而，由于磁记性区分能力，已被广泛应用到模式识别领域。然而，收稿日期：2012-07—16；修回日期：2012—11-27作者简介：朱红运(1988一)，男，河南开封人，军械工程学院硕士研究生，主要从事无损检测研究。zhu_hylq@126．com计量学报2013年11月当样本中含有孤立点或噪声样本时，SVM构造的分这就要求在确定样本隶属度时，既要考虑样本到所类面并不是真正的分类面。为有效减弱孤立点或噪在类中心之间的距离，又要考虑样本之间的紧密度声样本对SVM识别结果的影响，文献[4]提出了模及与其