基于小波变换特征提取的模糊神经网络.docVIP

基于小波变换特征提取的模糊神经网络 在桩基完整性检测中的应用 张良均 张曦映 王靖涛 摘要 通过对桩顶声脉冲信号进行小波变换，得到不同类型缺陷桩在不同尺度上的特征量。采用模糊综合评判技术，建立了模糊径向基函数网络模型。该模型具有训练速度快，逼近函数误差小的优点，并能对未知缺陷作出准确判断，因此，在桩基完整性检测中是一种有效的智能分类器。 关键词：小波变换，模糊综合评判，径向基函数网络，桩基检测 引言 桩身中的缺陷大致分为两种类型：一种是结构上的缺陷，如裂纹，缩颈，断裂，扩底 等；另一种是材料性质的变化引起的缺陷，如混凝土离析，夹泥，桩底松散等。这些缺陷的检测统称为桩基完整性检测。检测桩基完整性的方法很多，一般采用无损检测方法，例如声脉冲反射波法。该方法基于桩身中的缺陷会引起波阻抗的改变这一原理，用一手锤在桩顶激发出一声脉冲，利用安装在桩顶的加速度计接收反射波信号，从而识别缺陷出现的位置和类型。然而，当缺陷发生在桩顶或桩尖附近时，由于入射波或桩尖反射波的干扰，使得一些缺陷的识别发生困难。 本文在声脉冲反射波法的基础上，通过小波变换能把非平稳信号分解到不同层次不同频带的序列，并总结出特征量与桩基缺陷类型对照表。然后，将模糊综合评判和径向基函数网络有机结合在一起，建立了基于小波变换特征提取的模糊神经网络诊断模型。分析表明，该模型除可进行信息的快速并行处理以实现映射变换之外，还具有较强的联想记忆和联想映射能力。若输入一个实际样本，网络可通过非线性映射实现缺陷的识别和诊断。因此，模糊径向基函数诊断网络在桩基完整性检测中是一种有效的智能分类器。 2 模糊径向基函数网络简介 径向基函数网络可以通过对一特征空间样本，经非线性映射到分类空间来完成复杂的模式分类任务。神经元的传递函数为radbas，其网络输入为权值向量W与输入向量P之间的向量距离乘以阈值b, 即：a = radbas ( dist ( W, P ) *b)。径向基函数网络包括三层：输入层，隐层（radbas层）和输出层（purelin层）。 模糊径向基函数网络（FRBFN）是一个实时系统，系统参数随FRBFN过程数据的变化而逐渐改变，其算法可通过训练数据自适应的训练FRBFN规则。最简单也最有用的将模糊逻辑与径向基函数网络结合起来的方法是“模糊器”。模糊器是一个预处理器，接受输入数据，将这些数据转化为模糊逻辑的范畴，然后再作为径向基函数网络的输入。同样，模糊器也可以接受网络的输出，并转化为模糊逻辑的形式。 3 基于小波变换的声脉冲信号的特征提取 3．1 试验方法 采用声脉冲反射波法，试验时使用的手锤重量为0.6kg，利用加速度计得到桩顶加速度响应曲线。 试验桩共13根，尺寸为1.50.150.15m,分别模拟缺陷如下： 正常桩：桩身完整，无缺陷。 扩底桩：桩底部形成一个扩大头，上部突出截面高的30%，两边扩大部分近一根桩厚。 离析：在离析处采用低强混凝土，按C10配制。 缩颈：缩颈处混凝土下凹达30%截面高。 裂缝：在离桩头20cm位置，预制达30%截面高的裂缝。 两扩：将扩颈处混凝土上部突起达30%截面高，缩颈处下凹达30%截面高。 桩底松散：桩底松散处采用强度低的混凝土，按C10配制且振捣不够密实。 小波分析及特征提取 对于一个多分辨分析{V}，W是V关于V的补空间，对于f (x) R)都有唯一分解f = g+ g+…+g+ f 。因此，分解技术能够把非平稳振动信号映射到由一个小波伸缩而成的一组基函数上，信息量完整无缺，在通频范围内得到分布在不同层次不同频带内的分解序列。小波分解过程如图1所示，F0代表低频系数，F1代表高频系数。根据不同类型缺陷在不同频带内能量分布的特点，选取图1中x0, x1, x2, x3, x4, x5 作为特征量。 脉冲信号f (t)的积分小波变换定义为：W(a,b)= f , =，其中a是尺度函数，b是位置系数。小波变换的结果反映了f (t) 在尺度a (频率)和位置b (时间)的状态，因此，这是一种时频变换。表1列出了各种不同缺陷类型的桩在各尺度上的特征量分布范围。 表1 不同缺陷在不同尺度上的特征量分布范围 Table 1 Range of eigenvalue of different scales relative to different kinds of difects 缺陷类型 X5 X4 X3 X2 X1 X0 正常 0.28~0.32 0.92~0.93 0.18~0.22 0.02~0.05 0.03~0.065 0.02~0.031 扩底 0.35~0.43 0.87~0.9 0.19~0.22 0.06~0.08 0.05~0.07