基于人工神经网络的合金牌号识别方法与流程

本发明涉及合金检测领域，尤其涉及一种基于人工神经网络的合金牌号识别方法。

背景技术：

牌号识别，指将被检测样品的实测元素含量信息与牌号库内若干个牌号的元素含量范围信息对比，推测出检测对象的牌号等相关信息。牌号识别是随着合金检测行业的发展逐渐衍生出的一项新功能，该功能极大地方便了合金的识别和归类。

现有的牌号识别方法种类较少，大体上分如下几种：(1)按照实测元素含量值是否位于牌号规定的含量范围内来界定检测对象是否为该牌号，该方法缺点为，如果某个元素含量超出该范围(即使超出的并不多)会影响检测对象的牌号识别。(2)改进的方法有，将含量范围做适当放大用多个“范围”来界定检测对象是否为该牌号。以上(1)、(2)两类算法有较强的偶然性、识别结果易受检测误差的影响、不易调试和维护。(3)基于隶属度函数的牌号识别算法，根据不同情况构造若干隶属度函数，即将实测元素含量在范围内的程度量化，该方法有较优秀的准确性和容错性，但参数的调整中需考虑不同情况隶属度函数间的兼容性，因此不易维护。(4)基于相关系数的牌号识别算法，其基本原理为构造相关系数计算公式，该相关系数表征实测元素含量与牌号库中元素含量区间内某特定值的相似程度，该算法的缺点在于在牌号识别计算中微量元素与大量元素占相同的权重，有时会造成牌号识别出现错误。

牌号识别问题还有另外一种形式：仅提供元素含量参考值的牌号识别问题。也就是牌号库并未提供牌号的元素含量范围信息而仅提供元素含量参考值。现有的牌号识别方法并不针对该问题。

技术实现要素：

针对上述不足，本发明提供一种基于人工神经网络的合金牌号识别方法，将人工神经网络引入到牌号识别问题中，利用人工神经网络强大的学习能力、容错能力，抛开复杂的分析过程，将合金牌号的识别问题转换成一个黑箱问题，借助计算机强大的计算能力，实现合金牌号的准确识别。

为了达到上述目的，本发明采用的技术方案如下：一种基于人工神经网络的合金牌号识别方法，具体包括以下步骤：

(1)人工神经网络的建立

根据牌号库的大小建立人工神经网络，该人工神经网络包括神经网络类型、层数、每层的神经元个数、传递函数、训练函数；

神经网络的类型是前馈多层网络或全反馈网络；

神经网络分别具有1个输入层和1个输出层；另外，隐层层数为2-3层；

每层的神经元个数为10个以上100个以下，输出层神经元个数为1个或与输入层神经元个数相同；

在传递函数的选择方面，隐层使用非线性传递函数，输出层使用线性传递函数；

在训练函数的选择方面，训练函数为l-m优化算法、准牛顿bp算法、弹性梯度下降法、梯度下降法或量化共轭梯度法。

(2)人工神经网络的训练

选取训练样本，样本的输入为重点关注元素的元素含量，样本的输出为牌号的牌号标识码，训练得到人工神经网络；其中重点关注元素指合金中百分含量大于0.1％的所有元素；

(3)人工神经网络的仿真

将被检测样品的实测数据输入训练好的神经网络，将神经网络的输出数据就近取整，取整后的数值即为被检测样品的牌号标识码，最后根据牌号标识码报出被检测样品的牌号。

进一步的，所述隐层使用非线性传递函数，非线性传递函数为对数型或正切型。

进一步的，训练样本的来源有以下4种途径：

1)实测数据，即各牌号实际样品的测试结果；

2)根据各牌号元素含量区间随机生成的若干组模拟数据；

3)根据各牌号元素含量区间生成的元素含量依次递增的若干组模拟数据；

4)以上3种途径的不同组合。

本发明的有益效果如下：

1)本方法将人工神经网络引入到牌号识别问题中，利用人工神经网络强大的学习能力、容错能力，抛开复杂的分析过程，将合金牌号的识别问题转换成一个黑箱问题，借助计算机优良的计算能力，实现合金牌号的准确识别。

2)本方法具有极强的可调性，从神经网络类型、层数、每层的神经元个数、传递函数、训练函数，到样本的来源、样本大小等参数均可以做出调整，从而不断扩展该方法的适应性。

附图说明

下面结合附图和实施例对本发明做进一步的说明：

图1为本发明的流程图；

图2为本发明一个实施例的神经网络结构图；

图3为本发明一个实施例的训练误差图。

具体实施方式

下面结合附图和实施例对本发明做进一步的说明。

如图1所示，一种基于人工神经网络的合金牌号识别方法，具体包括以下步骤：

(1)人工神经网络的建立

根据牌号库的大小建立人工神经网络，该人工神经网络包括神经网络类型、层数、每层的神经元个数、传递函数、训练函数；

神经网络的类型是前馈多层网络(bp网络)或全反馈网络(hopfield网络)等；

神经网络分别具有1个输入层和1个输出层；另外，隐层层数为2-3层；

每层的神经元个数为10个以上100个以下，根据神经网络的类型和层数做适当调整；输入层神经元个数取决于具体的牌号识别问题中重点关注元素个数；输出层神经元个数为1个(内容为牌号标识码(与牌号一一对应))或与输入层神经元个数相同(内容为重点关注元素的参考含量，以此为依据推测牌号)；

在传递函数的选择方面，隐层使用非线性传递函数，非线性传递函数为对数型(log-sigmoid)或正切型(tan-sigmoid)；输出层使用线性传递函数(purelin)；所述隐层使用非线性传递函数。

在训练函数的选择方面，训练函数为l-m优化算法、准牛顿bp算法、弹性梯度下降法、梯度下降法或量化共轭梯度法。

(2)人工神经网络的训练

人工神经网络的训练需要大量样本。样本的来源有以下4种途径：

1)实测数据，即各牌号实际样品的测试结果；

2)根据各牌号元素含量区间随机生成的若干组模拟数据；

3)根据各牌号元素含量区间生成的元素含量依次递增的若干组模拟数据；

4)以上3种途径的不同组合。

样本的输入为重点关注元素的元素含量，样本的输出为牌号的牌号标识码，训练得到人工神经网络；其中重点关注元素指合金中百分含量大于0.1％的所有元素；

在人工神经网络的训练中样本个数少则易收敛，训练耗时少，但网络适应性差；反之则可能会不收敛(达不到预期的误差水平)。故在训练人工神经网络时需反复试验，控制合理的样本个数。

(3)人工神经网络的仿真

将被检测样品的实测数据输入训练好的神经网络，将神经网络的输出数据就近取整，取整后的数值即为被检测样品的牌号标识码，最后根据牌号标识码报出被检测样品的牌号。

实施例：

本实施例建立了一个前馈网络，该人工神经网络具有1个输入层，1个输出层，2个隐层(每层神经元个数均为20)，隐层传递函数采用双曲正切s型传输函数(tansig)，输出层传递函数采用线性传递函数(purelin)，训练函数采用量化共轭梯度法(trainscg)，如图2所示。

本实施例中样本来源于实测数据(即牌号库中各牌号实际样品的测试结果)。其所涉及的牌号库共有7个牌号，牌号名称分别为：牌号a、牌号b、牌号c、牌号d、牌号e、牌号f、牌号g。牌号标识码分别为1、2、3、4、5、6、7。对该牌号库中的每个样品测试50次(其中的45次测试数据作为神经网络输入、另外5次测试数据用于结果验证)。样本输入为一个长度为10(重点关注元素个数为10个)的向量，该向量的各元素均表征元素的含量值，输出数据为牌号标识码。

设计该人工神经网络的最大迭代次数为10000次，均方误差目标设为10^-8，将每个样品的任意45次测试结果作为输入，对人工神经网络进行训练，如图3所示，训练结束后，均方误差为5.24*10-8。

将每个牌号的另外5次测试数据作为输入分别进行仿真，将输出数据就近取整后判断取整后的数值与牌号标识码是否一致，随后计算相对误差。计算结果见表1。

表1仿真结果及数据分析

由表1可见，35次测试数据的仿真结果均正确，且相对误差均能控制在0.00125以内，该神经网络用于该牌号库的牌号识别具有极强的可靠性。