[发明专利]一种X射线定向仪缺陷识别的批量处理方法

摘要

本发明提出一种X射线定向仪缺陷识别的批量处理方法，属于单晶材料加工领域，提出了离线批量式单晶晶体缺陷检测方法，设计了单晶晶体回摆曲线的特征向量，以抽象出曲线特征，结合粒子群优化算法，并引入基于密度函数的有效半径，改进了传统FCM算法，提升算法对于初始化聚类中心的鲁棒性，避免陷入局部极优，并很好地过滤干扰数据，从而实现对批量数据进行聚类，之后仅需对聚类中心特征向量进行缺陷检测，根据隶属度关系即可得到所有待测曲线的缺陷类型，其中包含了本发明提出的改进的模糊传递闭包聚类算法，定义模糊相似矩阵，保证了相似计算的准确性，本发明为晶体检测技术提供了全新的思路和实现方式。

主权项

1.一种X射线定向仪缺陷识别的批量处理方法，其特征在于包括如下步骤：步骤1：建立样本库，包括单晶晶体标准的和每种缺陷类型的标准回摆曲线数据样本，提取该样本中每条回摆曲线的特征向量，并保存样本每条回摆曲线的特征向量，作为样本库；步骤2：批量选取n个待测单晶晶体回摆曲线数据，对待测单晶晶体回摆曲线数据提取特征向量，用于表述曲线特征；步骤3：进行参数初始化，所述参数设置包括：聚类数目c及初始聚类中心V0，V0为迭代初始值，迭代停止阈值ε，最大迭代次数B，当前迭代次数b，初始化粒子位置PX0和速度PV0，设粒子的位置表示为PX＝[PX1，…，PXPm]T，具体为PXp＝[pxp1,…,pxpc]c×m,p∈[1,Pm]，粒子的速度表示为PV＝[PV1，…，PVPm]T，具体为PVp＝[pvp1,…,pvpc]c×m,p∈[1,Pm]，当前迭代中使得目标函数值最小时的个体最优PXpbest，群体最优PXgbest；Pm粒子群数量，m指特征向量维度；步骤4：使用改进的FCM聚类算法对所有特征向量进行聚类，得到聚类中心，以及所有特征向量对各聚类中心的隶属度矩阵；其中，改进的FCM聚类算法引入粒子群优化算法，进行迭代，得到优化后的聚类中心，以及所有特征向量与各聚类中心的隶属度矩阵；步骤5：计算有效半径VR＝(VRk)c×1，根据数据聚类的判断准则，筛除异常数据；VRk为第k个聚类中心的有效半径，定义为如下公式：其中，n样本总数，c为聚类数目，其数值上与样本库样本总数相等，(VR_k)_c×1指VR_k为c×1维的向量，d_ik表示第i个待测单晶晶体回摆曲线数据特征向量与第k个聚类中心的距离，c₁表示密度影响率，c₂表示对异常数据的判断的严格程度，其中，ρ_k为密度函数，定义第k个聚类中心V_k的密度函数ρ_k为如下公式：其中，dik表示第i个待测单晶晶体回摆曲线数据特征向量与第k个聚类中心的距离；uik表示第i个待测单晶晶体回摆曲线数据特征向量属于第k个聚类中心的隶属度，公式如下，其中，s为模糊指数；其中，Xi第i待测单晶晶体回摆曲线数据，Vk第k个聚类中心的隶属度，t≠k，指一种特殊情况，如果一条曲线和聚类中心距离为0则隶属度为1，那么和除了这条曲线t不等于k的中心的隶属度为0；对数据聚类的判断准则如下：若且h≠k，满足d_ik≤VR_k且u_ik≥u_ih,k≠h时，则第i个数据归属于第k类；若满足d_ik≥VR_k时，此时第i个数据属于异常数据；步骤6：使用改进的模糊传递闭包聚类算法对得到的聚类中心进行缺陷类型识别，进而得出所有待测单晶晶体回摆曲线对应的缺陷类型及其相似度；其中，改进的模糊传递闭包聚类算法改进了模糊相似矩阵，定义模糊相似矩阵为R＝(rab)，其中：其中，rab为相似度，m为特征向量维度，x0j为取峰值不变的晶体衍射曲线数据为曲线的0相似度标准，即任何单晶材料曲线与其相似度均为0；xaj和xbj分别为第a个和第b个单晶晶体回摆曲线数据第j个特征，valueab为批量选取第a条和第b条回摆曲线数据特征向量的欧氏距离，和该向量与零标准曲线的特征向量欧氏距离的相对值，β为经验参数。