一种带混合算法的RBF神经网络及其在钢板表面缺陷分类中的应用.pdfVIP

《冶金自动化》2006年增刊(s1) 一种带混合算法的RBF神经网络及其在钢板 表面缺陷分类中的应用 赵向阳，赖康生，代东明 (大连理工大学物理系光电检测技术工业应用中心，辽宁大莲116024) [摘要]基于径向摹函数(RSF)神经网络模璎，提出了一种优选聚类算法、梯度法和正交最小二乘法(ous)相结 合的混合算法。并将j{-应用于钢板表面的缺陷分类中，实验证明其有效地提高了舳F网络的识别能力和改进了 其泛化能力。 [关键诓1]RBF神经网络；优化聚类算法；梯度法；oLs 0引言 而对于RBF神经网络(砌删N)，由于其结构简单， 作为钢铁工业的主要产品形式之一，钢板已 每个隐含层节点映射函数是不同的非线性函数， 经成为汽车、机械制造、化工、航空航天和造船等 所以可以保证快速的学习速度，并且是全局最 工业不可缺少的原材料，因此其表面质量的优劣 优b]。本文以RBFNN作为识别模型，提出了一种 将直接影响这些产品的最终性能和质量。在钢板 优选聚类算法、梯度法L6j和O[fi[v]相结合的混合算 制造过程中，由于连锌钢坯、轧制设备、加工工艺 法。实验证明其有效地提高了RB刚N的识别能 等多方面的原因，导致钢板表面出现裂纹、氧化 力；并且该网络具有很好的泛化能力。 皮、结疤、辊印、刮伤、空洞、针眼、折叠、表面分层 1钢板表面缺陷的基本模式 等不同类型的表面缺陷。这些缺陷不仅影响产品 “模式”原意足指一些用来模仿的完美无缺的 的外观，更严重地降低了产品的抗腐蚀性、耐磨性 样本，所以模式识别就是要识别给定物体所模仿 和疲劳强度等性能。特别是自20世纪鲫年代以 的样本。对于钢板表面缺陷识别而占，所要模仿 来，FfI于用户的需求，市场竞争的加剧和企业内部 的样本即为一组给定的钢板表面缺陷的基本模 优质、高产、低牦的生产压力对钢板表而质量提出 式，这些基本模式构成了标准样本，每一个标准样 了越来越高的要求【loj。 本都有m个参数。在钢板表面缺陷识别中，这些 神经网络理论作为一门新兴学科，近年来被 基本模式可取为两两相反的模式对。如图1所示 广泛应用于钢板的表面缺陷检测中，但大部分都 的3个模式对，由n到讹分别代表左侧单边浪、 是基于BP神经网络进行识94的，BP网络的缺点右侧单边浪、中浪、双侧边浪、4分浪和边中浪模 是对于干扰量非常敏感、隐含层节点数需要经过 式。钢板表面缺陷识别的结果为钢板生产的自动 多次尝试、学习速度慢且易陷入局部极小点【4J。 控制提供科学依据。18J {囫二闲三圈．{圜三圆二圈 国l钢板表面缺陷的基本模式 [收稿H期]2005-09．14；[修政稿收到日期]2005．10—∞ [基金项目]国家自然科学基金赍助项目 [作者筒介]赵向阳(Jg馏-)。男．河南民葛^，博士研究生，主要从事神经网络在钢板表面缺陷分类中的应用研究。 ·757· 《冶金自动化》2006年增刊(S1) 2带新型混合算法的RBF神经网络 2．2优化聚类算法[10】 RBF神经网络是一种三层前馈网络，输入层 为了寻求输入向量样本集的合理聚类结果， 和输出层的单元个数由具体问题而定，隐含层的 并基于此确定RBFNN隐含层节点个数m，用文献 单元个数是可以改变的．隐含层单元作用函数是 [11]类似的方法，给出如下一个控制聚类合理性 RBF，它是一种局部分布的相对中心点径向对