[发明专利]一种采用混合蛙跳的小波神经网络来计算声发射源位置的方法

说明书

【技术领域】

本发明涉及声源定位的技术领域，特别是采用混合蛙跳的小波神经网络来计算声发射源位置的方法的技术领域。

【背景技术】

TDOA定位方法是在故障定位声发射技术中找到一个故障点位置的常用方法。TDOA定位方法检测从相应的声发射信号到达不同的传感器的时间的差异，然后计算的源位置与传感器之间的空间阵列的对应关系。

当我们使用的测量信号的采集系统在默认阈值计算到达时间。到达时间不仅取决于声发射仪器参数（如传感器，位置频率色散，衰减，噪声干扰和其他因素），还取决于操作人员的经验。为了尽量减少人为因素的影响，因此非常有必要为源定位设计一种智能算法。

在智能算法中，神经网络是一种有用的方法。神经网络具有其特征的自组织、自适应、自学习和更好的鲁棒性。随着网络的合理结构，对输入样本，和足够的训练样本，该方法可以得到声发射精确的活动。本发明介绍了小波神经网络模块，采用混合蛙跳算法代替传统的梯度下降算法，优化了网络参数，实现了声发射源定位方法。实验结果表明，精度和效率比传统的定位方法更高的多。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出一种采用混合蛙跳的小波神经网络来计算声发射源位置的方法，能够采用混合蛙跳算法代替传统的梯度下降算法，优化了网络参数，实现了声发射源定位方法，精度和效率比传统的定位方法更高的多。

为实现上述目的，本发明提出了一种采用混合蛙跳的小波神经网络来计算声发射源位置的方法，包括使用混合蛙跳算法来训练神经网络，首先定义蛙的矢量位置，假定蛙的初始数量为40，每只蛙的位置矢量为：x(i)＝[ω_i1,Lω_ij,a_i1,La_ij,b_i1,Lb_ij]，i=1,2,…,40，其中j表示隐层神经元的数量，神经网络的适应功能相当于均方误差指示器，它的方程式为：其中J(k,i)第i个蛙在k次迭代后的健身值，n为训练样本数，y_m,i是第i个蛙在输入m个样本后的理想输出值，是第i个蛙在输入m个样本后的实际输出值，k是迭代次数，N最大迭代次数，基于混合蛙跳算法的参数学习过程如下：

a）根据隐层数量和小波神经网络的参数来决定模型的尺寸；

b）准备成对的训练数据；

c）初始化种群数量，计算每个个体的适应值，如果适应值满足精度要求，进入步骤E）；

d）找出最差个体并且根据蛙跳算法取代它，如果最好的个体满足精度要求，进入步骤e），否则重复步骤d）直到所需的精度是令人满意的；

e)输出优化后的参数并实施小波神经网络；

通过发声试验台发出声源信号，所述发声试验台上安装有传感器，利用传感器的到声源信号幅值和能量，并将传感器的坐标和所接收的信号能量的比值作为小波神经网络的输入值，则小波神经网络的输出值则为声源信号距离传感器的网络预测距离值。

作为优选，所述小波神经网络是用小波函数作为神经元的激活函数使得小波与BP神经网络产生关联。