基于特征加权支持向量机的复合材料接缺陷量化识别研究

摘要

粘接工艺是现代工业,尤其是国防工业越来越广泛采用的工艺技术。但是粘接层间脱粘,或粘接强度未达到设计要求,以及在使用过程中强度降低,则会引发各种灾难性事故。因此,粘接结构的安全和质量成为国际上广泛关注的研究领域和前沿课题。
　　 目前,粘接缺陷检测偏重于是否发生脱粘的定性分析,对于定量检测的研究刚刚起步。本文针对的是钢-橡胶机械贴合脱粘定量检测这一难题开展的研究。以往解决此问题时的方法是:采用模糊神经网络的方法进行粘接缺陷的定量识别。然而神经网络方法有其固有缺陷,如网络结构不易确定、容易陷入局部极小点等。支持向量机(SVM)是针对小样本的一种统计学的新技术,通过寻求结构风险最小,获得了全局最优解。该算法自提出以来得到了广泛研究,但是用在脱粘缺陷诊断领域的还未出现。薄板复合材料粘接缺陷超声检测模式识别属于典型的小样本问题,本文针对10级标准脱粘样块,在提取出有效粘接缺陷特征向量基础上,采用SVM方法来解决此问题。
　　 原始SVM识别方法是针对两分类问题提出的,10级脱粘连续量化识别属于典型的多类问题,因此本文首先构建多类SVM分类模型。与此同时,为获得准确的量化识别结果,采用K—CV参数搜索方法确定了多类SVM的模型参数。另外,提取的三个特征量存在明显的非线性特性,采用原始线性SVM方法得到的粘接缺陷识别结果准确度偏低,故提出非线性特征加权SVM方案:对六种特征度量方法分别进行分析实验,最终选择Relief—F方法得到的权值因子赋给各个特征向量,构造特征加权核函数,获得特征加权SVM模型。通过比较支持向量机和特征加权支持向量机的实验结果,发现特征加权SVM方法提高了量化识别结果的准确度,该方法为薄板复合材料粘接缺陷的量化识别提供了一套较为科学的方法,同时为薄板复合材料粘接缺陷的自动检测奠定了基础。

目录

文摘

英文文摘

引言

1 研究背景及意义

2 国内外研究现状

3 课题研究的内容及章节安排

一 统计学习理论与模式识别方法

1.1 机器学习问题中的经验风险最小化原则

1.1.1 机器学习问题的表示

1.1.2 经验风险最小化原则

1.1.3 结构风险最小化原则下机器学习的推广能力

1.2 统计学习理论中的结构风险最小化原则

1.2.1 VC维

1.2.2 推广性的界

1.2.3 结构风险最小化原则

1.3 本章小结

二 支持向量机分等级量化识别模型

2.1 支持向量机算法

2.1.1 最优超平面的构造

2.1.2 支持向量机算法

2.2 SVM模型参数选择

2.2.1 基于经验公式的模型选择

2.2.2 基于交叉验证的模型选择

2.2.3 基于Matlab的K-CV方法实现

2.3 基于支持向量机的多类别分类

2.3.1 支持向量机多类别分类算法

2.3.2 分级聚类支持向量机

2.4 本章小结

三 粘接缺陷特征向量的加权

3.1 特征加权

3.1.1 特征重要性的度量

3.1.2 信息增益法

3.1.3 增益比率法

3.1.4 对称不确定性法

3.1.5 X2检验法

3.1.6 Gini指标法

3.1.7 Relief-F算法

3.2 构造特征加权支持向量机

3.3 本章小结

四 基于SVM的薄板粘接缺陷定量识别

4.1 薄板粘接缺陷超声检测定量识别的数据来源

4.2 数据预处理

4.2.1 基于K平均聚类的训练集压缩

4.2.2 数据归一化

4.3 基于支持向量机的薄板粘接缺陷量化识别

4.4 基于特征加权支持向量机的粘接缺陷量化识别

4.5 本章小结

结论

参考文献

致谢

攻读学位期间发表的学术论文目录

读研期间参加的科研项目