基于BP神经网络的钢丝绳损伤定量识别-论文.pdf

《基于BP神经网络的钢丝绳损伤定量识别-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于BP神经网络的钢丝绳损伤定量识别曹原强宝民齐彦林孟小胴谢政第二炮兵工程大学西安710025摘要：利用BP神经网络对钢丝绳信号的特征量和断丝数进行训练，选择标准的3层网络将实验数据进行归一化后变换隐层节点数反复多次训练，确定隐层节点数，将效果比较好的网络作为实际断丝检测时调用的网络，通过VC++语言编程，实现钢丝绳检测的智能化。关键词：钢丝绳；BP神经网络；断丝识别；VC++中图分类号：TH532文献标识码：A文章编号：1001—0785(2014)09—0082—06Abstract：BPneuralnetworkisusedtoexercisethecharact

2、eristicquantityofsteelropesignalsandfractureofwires．Thestandard3-layernetworkisselectedtonormalizethetestdata，followedbymuhipleexercisesbychangingthequantityofhiddennodes．Thequantityofhiddennodesisdetermined，withthemostefectivenetworktakenastheonetobecalledwhendetectingactualfractureofwi

3、res．VC++languageprogrammingisusedtorealizeintelligentdetectionforsteelropes．Keywords：steelrope；BPneuralnetwork；fractureofwireidentification；VC++减少网络误差的动态过程。神经元一般为多输入、0引言单输出的非线性器件，其结构模型如图1所示。传统的钢丝绳断丝识别方法是采用超门限值法来判断，一般选择2个门限值来判断，一个门限值用于判断有无断丝；另一个用于判断断丝的数量。门限值的选择根据检测人员的经验设定，因此，这种方法受人为因素的影响较

4、大，准确率较低，一般在85％左右。BP神经网络具有自学图1神经元模型习、自组织、自适应能力；具有很强的容错能力以及高度的非线性表达能力，并能有效地解决许它的输入输出可用数学式表示为p多实际问题。在钢丝绳检测中很难用一个明确的Mk=∑WkjXj表达式来说明断丝信号的各个特征量与断丝数的=1kk一0对应关系。因此，利用神经网络对信号的特征量Y=()(1)和断丝数进行训练，采用训练收敛性好、误差小式中：xj为神经元输入，可能来自外部环境，的网络对检测信号进行断丝判别，实现钢丝绳检也可能是其他神经元的输出；W为连接权值；0测的智能化，摆脱人为因素的影响，并提高判断为阈值；为神经

5、元的实际输出；()为非线的准确率。性激励函数，()为一变换函数，称为特性函1神经网络的基本模型数或激励函数，用来反映神经元输入和输出的关系。根据输入、输出特性的不同及实际需要，常1．1神经网络的基本概念L2采用不同形式的特性函数，如S形函数、阶跃函神经元具有很强的自适应和学习能力、鲁棒数和线性函数，或具有任意阶导数的非线性函数，性和容错能力，从而可以代替复杂耗时的传统算也可是小波基函数，从而形成对应的神经网络。法，是信息处理过程更接近人类的思维活动。网神经网络一般可归纳为以下2类]：络的学习过程是通过不断修正各连接权值而不断一82一《起重运输机械》2014(9)1)有指

6、导学习不但需要学习用的输入事件由式(2)～式(5)，得(也称训练样本，通常为一矢量)，同时还要求与a：n)之对应的表示所期望输出的目标矢量。进行学习e(1l．)时，首先计算一个输入矢量的网络输出，然后同一ay()。相应的目标输出比较，比较结果的误差用来按规定的算法改变权值。如上述纠错规则就是典型的a=[(凡)]v(n)一“川有指导学习。2)无指导学习不要求有目标矢量，网络通莉(rt)(，、过自身“经历”来学会某种功能，在学习时，关所以键不在于网络实际输出怎样与外部的期望输出相一致，而在于调整权重以反映学习样本的分布，器=一ej(n[咖Yi)因此，整个训练过程实质是抽取训

7、练样本集的统计于是得权值(n)的修正量为特性。在人工神经网络中，学习是修正权的一个算Aa,ji(⋯器=嗡㈩y如)(6)法，以获得合适的映射函数或其他系统性能。式中：为学习步长，>0；负号为权值按目1．2反向传播——BP学习算法标函数的负梯度方向改变；(n)为前一层各神BP(BackPropagation)学习算法的基本思想经元的输出。是通过已知样本的学习训练，根据网络输出层实6(n)表达式为际输出与期望输出的误差，从输出层开始，反向··逐层调整网络的权值，最终实现网络实际输出与期望输出的误差平方和最小J。=e／(n)·；[(n)](7)设