[发明专利]一种基于PCNN的隐蔽工程内部缺陷判断方法

说明书

本发明提供了一种基于PCNN的隐蔽工程内部缺陷判断方法，属于隐蔽工程技术领域；PCNN以传统神经网络为基础，划分有多个NN神经网络模块，把超声波训练数据集随机划分为奇数个子训练数据集，供多个神经网络模块进行一一对应训练，获得多个神经网络权重，进而获得奇数个分类结果；针对分类结果，依据大数定律进行概率判断，大大提高了对隐蔽工程内部缺陷判断的准确性，有效解决了传统神经网络中存在的误判率高的问题。本发明在隐蔽工程的探伤检测方面具有较好的应用前景，能够有效提高隐蔽工程缺陷判断的有效性，降低虚警情况出现的概率。

技术领域

本发明属于隐蔽工程技术领域，尤其涉及一种基于PCNN的隐蔽工程内部缺陷判断方法。

背景技术

针对传统的神经网络预测能力和训练能力的矛盾，网络模型的逼近和推广能力与学习样本的典型性密切相关。一般性情况下，训练能力差时，预测能力也差，并且一定程度上，随着训练能力提高，预测能力也会提高。但是这种趋势不是固定的，其有一个极限，当达到此极限时，随着训练能力的提高，预测能力反而会下降。出现该现象的原因是网络学习了过多的样本细节所导致，学习出的模型已经不能反应样本内含的规律，换言之，神经网络算法评判分类本质上是有一个瓶颈存在的，因此亟需一种具有较好预测能力的神经网络来进行分类判别。

发明内容

针对现有技术中存在不足，本发明提供了一种基于PCNN的隐蔽工程内部缺陷判断方法，把超声波训练数据集随机划分为奇数个子训练数据集，供多个神经网络模块进行训练，获取奇数个分类结果，依据大数定律进行判断，大大提高了对隐蔽工程内部缺陷判断的准确性，有效解决了传统神经网络中存在的误判率高的问题。

本发明是通过以下技术手段实现上述技术目的的。

一种基于PCNN的隐蔽工程内部缺陷判断方法，包括如下步骤：

步骤1：训练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；

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；

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。

进一步地，所述PCNN以传统神经网络为基础，划分有多个NN神经网络模块，用于与奇数组子训练数据集进行一一对应的网络训练。

进一步地，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。

进一步地，所述PCNN中使用的激励函数为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。

进一步地，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。

进一步地，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；