楊濤 趙可天 盛鍇 劉曉媛

摘 要：本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)決策KNN算法的缺陷尺寸反演方法，利用檢測(cè)裝置獲取的大量實(shí)驗(yàn)數(shù)據(jù)驅(qū)動(dòng)該算法，建立了基于BP神經(jīng)網(wǎng)絡(luò)決策KNN算法的缺陷反演模型，改進(jìn)了傳統(tǒng)KNN算法反演效果受K值影響較大的問(wèn)題。模型可根據(jù)多頻電磁缺陷檢測(cè)裝置獲得的檢測(cè)電壓信號(hào)對(duì)缺陷尺寸預(yù)測(cè)。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);KNN算法;缺陷尺寸反演

中圖分類號(hào)：TP301.6 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1671-2064（2019）06-0018-02

0 引言

本文中用于數(shù)據(jù)分析的電磁信號(hào)是經(jīng)過(guò)頻率分離之后的正弦電壓信號(hào)，提取檢測(cè)電壓信號(hào)的峰值和峰值變化檢測(cè)線圈的距離作為特征量進(jìn)行缺陷尺寸的反演，用采集到的電壓信號(hào)與缺陷尺寸組成的構(gòu)成總樣本集。利用KNN算法構(gòu)建缺陷尺寸預(yù)測(cè)模型，當(dāng)K取不同的值的時(shí)候會(huì)得到不同的反演結(jié)果，但整體反演效果不太好。針對(duì)這一問(wèn)題，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)KNN算法進(jìn)行改進(jìn)，將反演結(jié)果中誤差小于10%的數(shù)據(jù)集作為BP神經(jīng)網(wǎng)絡(luò)的輸入生成神經(jīng)網(wǎng)絡(luò)模型，并將反演結(jié)果的準(zhǔn)確率與KNN算法比較。利用KNN算法構(gòu)建缺陷尺寸預(yù)測(cè)模型，當(dāng)K取不同的值的時(shí)候會(huì)得到不同的反演結(jié)果，但整體反演效果不太好。

1 基于BP神經(jīng)網(wǎng)絡(luò)-KNN算法的缺陷尺寸反演

1.1 BP神經(jīng)網(wǎng)絡(luò)算法

1.1.1 算法介紹

BP神經(jīng)網(wǎng)絡(luò)是按照誤差逆向傳播訓(xùn)練的分類和回歸算法[1-3]，其算法以負(fù)梯度作為目標(biāo)方向?qū)?quán)值和閾值進(jìn)行調(diào)節(jié)，使得訓(xùn)練集中不同樣本之間的距離逐漸減小，神經(jīng)網(wǎng)絡(luò)運(yùn)行過(guò)程中，能自動(dòng)的地調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的輸入在各個(gè)隱藏層中所占的比重，對(duì)缺陷反演模型進(jìn)行優(yōu)化，得到較好的缺陷尺寸反演模型[4]。

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋人工神經(jīng)網(wǎng)絡(luò)，有輸入層、隱藏層和輸出層組成，可實(shí)現(xiàn)輸入到輸出的非線性映射[5]。以訓(xùn)練樣本集進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，將檢測(cè)電壓信號(hào)特征量作為輸出缺陷的尺寸作為輸出，將實(shí)際缺陷尺寸與目標(biāo)缺陷尺寸差值的平方和作為目標(biāo)函數(shù)，通過(guò)調(diào)節(jié)權(quán)值大小使目標(biāo)函數(shù)最優(yōu)。

（7）判斷是否達(dá)到給定的停止條件，若達(dá)到條件則輸出確定好的連接權(quán)值和閾值神經(jīng)網(wǎng)絡(luò)，若不滿足條件則重復(fù)步驟（2）和（5）直到滿足要求。

1.2 改進(jìn)KNN算法缺陷反演過(guò)程

基于KNN算法的缺陷尺寸反演模型受值影響很大，反演結(jié)果準(zhǔn)確率差異較大這一問(wèn)題，提出了利用KNN算法對(duì)樣本數(shù)據(jù)集先做一個(gè)預(yù)處理，再將樣本數(shù)據(jù)集中特征量明顯的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練集的方法。該算法首先利用多個(gè)不同值的KNN算法對(duì)缺陷的尺寸進(jìn)行初步的反演，本文中值分別取3、5、7、9，將取不同值時(shí)反演結(jié)果中誤差小于10%的數(shù)據(jù)集作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，其中神經(jīng)網(wǎng)絡(luò)的輸入檢測(cè)電壓信號(hào)的特征量，神經(jīng)網(wǎng)絡(luò)的輸出為缺陷的尺寸信息。通過(guò)這種方法可以有效剔除樣本集中的特征量不明顯的數(shù)據(jù)集，用該訓(xùn)練集再進(jìn)行訓(xùn)練得到缺陷反演的模型，從總樣本集中選出30%作為測(cè)試集，來(lái)驗(yàn)證模型反演結(jié)果的準(zhǔn)確性。將通過(guò)BP神經(jīng)網(wǎng)絡(luò)反演得到的結(jié)果與不同值反演結(jié)果的誤差率對(duì)比分析，通過(guò)實(shí)驗(yàn)結(jié)果驗(yàn)證了本文提出的KNN算法對(duì)樣本數(shù)據(jù)集先做一個(gè)預(yù)處理，再將樣本數(shù)據(jù)集中特征量明顯的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練集的方法的正確性，提高了反演的精度。BP-KNN算法缺陷尺寸反演過(guò)程如下：

步驟1：獲取數(shù)據(jù)集，將使用KNN算法對(duì)缺陷反演過(guò)程中取值為3、5、7、9反演誤差小于10%的數(shù)據(jù)集作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，其中神經(jīng)網(wǎng)絡(luò)的輸入時(shí)檢測(cè)電壓信號(hào)的特征量，神經(jīng)網(wǎng)絡(luò)的輸出是缺陷的尺寸。

步驟2：設(shè)置神經(jīng)網(wǎng)絡(luò)的層數(shù)、權(quán)值、學(xué)習(xí)率、閾值等?；谏窠?jīng)網(wǎng)絡(luò)的缺陷尺寸反演模型為三層，分別為輸入層、隱藏層、輸出層。由于提取檢測(cè)電壓信號(hào)的特征量個(gè)數(shù)為3所以輸入層的神經(jīng)節(jié)點(diǎn)個(gè)數(shù)為3，缺陷反演尺寸包括長(zhǎng)、寬、深三個(gè)值，所示輸出層神經(jīng)節(jié)點(diǎn)個(gè)數(shù)也為3。隱藏層節(jié)點(diǎn)個(gè)數(shù)將在步驟3中根據(jù)樣本數(shù)量和輸入輸出層神經(jīng)節(jié)點(diǎn)個(gè)數(shù)求出，神經(jīng)網(wǎng)絡(luò)中的權(quán)值、閾值在（0，1）范圍內(nèi)隨機(jī)初始化。

步驟3：隱藏層神經(jīng)元個(gè)數(shù)，隱藏層節(jié)點(diǎn)數(shù)可以用公式（2.8）表示。本文中輸入層的神經(jīng)節(jié)點(diǎn)數(shù)，輸出層神經(jīng)節(jié)點(diǎn)數(shù)，樣本數(shù)量，是一個(gè)常數(shù)，通常選擇個(gè)位數(shù)取3，計(jì)算可得隱藏層的神經(jīng)節(jié)點(diǎn)個(gè)數(shù)為12。

（2.8）

步驟4：設(shè)置訓(xùn)練樣本集，以檢測(cè)電壓信號(hào)特征量為神經(jīng)網(wǎng)絡(luò)的輸入，以缺陷的長(zhǎng)、寬、深等尺寸信息作為神經(jīng)網(wǎng)絡(luò)的輸出。

步驟5：神經(jīng)網(wǎng)絡(luò)計(jì)算權(quán)值，將輸出層輸出的缺陷長(zhǎng)、寬、深尺寸信息與實(shí)際檢測(cè)得到的尺寸信息相比較，計(jì)算神經(jīng)網(wǎng)絡(luò)輸出誤差，根據(jù)誤差結(jié)果自動(dòng)更行連接權(quán)值與閾值。

步驟6：生成BP神經(jīng)網(wǎng)絡(luò)模型，判斷各個(gè)神經(jīng)元是否滿足輸出要求，將反演結(jié)果和實(shí)際缺陷尺寸對(duì)比，誤差小于10%則認(rèn)為滿足要求則結(jié)束，生成基于BP神經(jīng)網(wǎng)絡(luò)的缺陷尺寸反演模型，否則進(jìn)入步驟3進(jìn)一步訓(xùn)練模型修改權(quán)值和閾值。

步驟7：從KNN測(cè)試樣本集中誤差大于10%的數(shù)據(jù)集中選取125組作為BP神經(jīng)網(wǎng)絡(luò)的測(cè)試集，來(lái)計(jì)算反演的準(zhǔn)確率，并與KNN算法中值取3、5、7、9時(shí)反演準(zhǔn)確率對(duì)比。

將使用KNN算法進(jìn)行缺陷尺寸反演過(guò)程中，測(cè)試集中預(yù)測(cè)誤差率小于10%的數(shù)據(jù)集，作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集進(jìn)行訓(xùn)練，從總樣本集中取30%作為測(cè)試集進(jìn)行驗(yàn)證，將預(yù)測(cè)誤差率小于10%的結(jié)果定義為預(yù)測(cè)結(jié)果準(zhǔn)確，通過(guò)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確率與不同值KNN算法反演結(jié)果分析，驗(yàn)證了BP算法對(duì)于KNN算法改進(jìn)比直接使用KNN算法做缺陷尺寸反演效果更好，通過(guò)這種方法可以有效剔除樣本集中的特征量不明顯的數(shù)據(jù)集，將通過(guò)BP神經(jīng)網(wǎng)絡(luò)反演得到的結(jié)果與不同值反演結(jié)果的誤差率對(duì)比分析，通過(guò)實(shí)驗(yàn)結(jié)果驗(yàn)證了本文提出的KNN算法對(duì)樣本數(shù)據(jù)集先做一個(gè)預(yù)處理，再將樣本數(shù)據(jù)集中特征量明顯的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練集的方法的正確性，提高了反演的精度。

2 對(duì)比結(jié)果分析

為了驗(yàn)證利用KNN算法對(duì)樣本數(shù)據(jù)集先做一個(gè)預(yù)處理，再將樣本數(shù)據(jù)集中特征量明顯的數(shù)據(jù)集作為BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練集這一方法的正確性，訓(xùn)練集的方法為了驗(yàn)證本文提出的基于BP神經(jīng)網(wǎng)絡(luò)算法決策KNN算法的有效性，將值分別取3、5、7、9時(shí)對(duì)缺陷長(zhǎng)、寬、深三個(gè)尺寸反演的結(jié)果與改進(jìn)算法之后的結(jié)果進(jìn)行對(duì)比分析。由于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集是通過(guò)KNN算法進(jìn)行初步預(yù)測(cè)之后優(yōu)選出來(lái)的，所以在樣本集選擇之初就將特征量不明顯的數(shù)據(jù)排除在外，反演結(jié)果準(zhǔn)備率更高。將反演結(jié)果與實(shí)際結(jié)果誤差不超過(guò)10%的數(shù)據(jù)定義為準(zhǔn)確數(shù)據(jù)。將測(cè)試樣本集中滿足誤差要求的數(shù)據(jù)占整個(gè)數(shù)據(jù)集的比例作為算法反演的準(zhǔn)確率，最終通過(guò)準(zhǔn)確率的對(duì)比來(lái)驗(yàn)證改進(jìn)算法的有效性，準(zhǔn)確率對(duì)比如表1所示。

從表格中數(shù)據(jù)可以看出，其中對(duì)于缺陷長(zhǎng)的反演準(zhǔn)確率可以達(dá)到85.9%，對(duì)于缺陷寬度反演的準(zhǔn)確率可以達(dá)到83.2%，對(duì)于缺陷深度的反演準(zhǔn)確率可以達(dá)到76.8%，滿足要求可以實(shí)現(xiàn)缺陷反演檢測(cè)。

3 結(jié)語(yǔ)

本文以檢測(cè)電壓信號(hào)的特征量作為樣本集樣本特征，以缺陷的尺寸信息作為樣本集樣本標(biāo)簽，基于KNN算法進(jìn)行缺陷尺寸反演模型的建立。實(shí)驗(yàn)分析中發(fā)現(xiàn)，K值的變動(dòng)對(duì)反演結(jié)果影響較大，但整體反演結(jié)果的準(zhǔn)確率都較低。針對(duì)這一問(wèn)題，提出了一種基于BP神經(jīng)網(wǎng)絡(luò)決策KNN算法的缺陷尺寸反演方法，將KNN反演結(jié)果中特征量明顯的數(shù)據(jù)集作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)反演模型，并將反演結(jié)果與KNN方法反演結(jié)果對(duì)比分析，實(shí)驗(yàn)效果明顯改善。

參考文獻(xiàn)

[1] Hakeem M A， Kamil M. Analysis of artificial neural network in prediction of circulation rate for a natural circulation vertical thermosiphon reboiler[J]. Applied Thermal Engineering，2017，112：1057-1069.

[2] 俞慶英，李倩，陳傳明，林文詩(shī).基于BP神經(jīng)網(wǎng)絡(luò)的異常軌跡檢測(cè)方法研究[J/OL].計(jì)算機(jī)工程：1-9.

[3] Li W， Wu X， Jiao W， et al. Modelling of dust removal in rotating packed bed using artificial neural networks （ANN）[J]. Applied Thermal Engineering，2017，112：208-213.

[4] Wang D， Luo H， Grunder O， et al. Multi-step ahead electricity price forecasting using a hybrid model based on two-layer decomposition technique and BP neural network optimized by firefly algorithm[J]. Applied Energy，2017，190：390-407.

[5] 張彬.融合遺傳算法和BP神經(jīng)網(wǎng)絡(luò)對(duì)基坑地表沉降預(yù)測(cè)的應(yīng)用研究[J].北京測(cè)繪，2018（10）：1152-1155.

[6] 魏蔚，王公寶.基于徑向基神經(jīng)網(wǎng)絡(luò)的偵察目標(biāo)意圖識(shí)別研究[J].艦船電子工程，2018，38（10）：37-40.