[发明专利]一种基于PCNN的隐蔽工程内部缺陷判断方法

权利要求书

1.一种基于PCNN的隐蔽工程内部缺陷判断方法，其特征在于，包括如下步骤：

步骤1：训练超声波信号概率集群神经网络(PROBABILITY CLUSTER NEURAL NETWORKS，PCNN)学习样本：建立原始超声波信号数据集S，并对其中的数字信号序列进行滤波处理，滤波处理后获得超声波训练数据集S′，从超声波训练数据集S′中随机抽取奇数组子训练数据集作为PCNN的训练样本；其中，PCNN是以传统神经网络为基础，划分有多个NN神经网络模块的网络结构，用于与奇数组子训练数据集进行一一对应的网络训练；

步骤2：采用BPNN算法，利用子训练数据集对PCNN进行训练，获取对应的神经网络权重和偏向；所述子训练数据集有n组，分别为S′(1)、S′(2)……S′(n)，n为奇数，每组子训练数据集对应PCNN中的一个NN神经网络模块进行训练；

所述步骤2中训练的具体过程为：

步骤2.1：将PCNN权重和偏向初始化至-1到1之间；

步骤2.2：子训练数据集中的数据由PCNN的输入层向前传送，其中，非线性转换前本单元输出为I_j，输入层到隐藏层之间的权重为W_ij，上一单元输出的值为O_i，偏向为θ_j，I_j＝∑_iW_ijO_i+θ_j；其中，i表示输入层节点数，j表示隐藏层节点数；

对I_j进行非线性转换后作为下一单元输入O_j，

步骤2.3：根据误差反向传送：

对于输出层：Errj＝O_j(1-O_j)(T_j-O_j)；

对于隐藏层：Errj＝O_j(1-O_j)∑_kErrkW_jk；

其中，T_j表示标签的值，k表示输出层节点数，Errj表示隐藏层节点上的偏差函数，Errk表示输出层节点上的偏差函数，W_jk表示隐藏层到输出层之间的权重；

步骤2.4：进行权重更新：ΔW_ij＝(l)ErrjO_i；W_ij＝W_ij+ΔW_ij；其中，l表示学习率；进行偏向更新：Δθ_j＝(l)Errj；θ_j＝θ_j+Δθ_j；

当达到预设的循环次数后，训练结束，保存最终获得的权重和偏向；

步骤3：将实时超声波信号数据输入训练好的PCNN中，进行隐蔽工程缺陷判断；

所述PCNN中使用的激励函数为快速收敛的激励函数f(x)，激励函数输出为1，表示PCNN未被激活；激励函数输出为0，表示PCNN被激活。

2.根据权利要求1所述的基于PCNN的隐蔽工程内部缺陷判断方法，其特征在于，所述滤波处理过程中，定义长度为奇数的长窗口L，L＝2N+1，N为正整数，设在某一时刻，窗口内的信号样本为X(b-N)……X(b)……X(b+N)，其中，X(b)为位于窗口中心的信号样本值。

3.根据权利要求1所述的基于PCNN的隐蔽工程内部缺陷判断方法，其特征在于，所述隐蔽工程缺陷判断具体过程为：

PCNN并行计算获得奇数个分类结果，分类结果包括NG和OK两类，依据大数定律，分类结果中出现次数最多的一类为确定的最终正确分类结果；最终分类结果为NG时，表明当前探测位置处的隐蔽工程内部存在缺陷；最终分类结果为OK时，表明当前探测位置处的隐蔽工程内部不存在缺陷。