基于EMD和GA-SVM的超声检测缺陷信号识别

• 作者: 李大中 赵杰
• 来源期刊: 中国测试
• 关键词: 缺陷信号识别 遗传算法 支持向量机 经验模态分解
• 年，卷（期）: 2016,（1）
• 所属期刊栏目: 测控技术
• 页码范围: 102-106
• 页数: 5页
• 字数: 3135字
• 语种: 中文
• DOI: 10.11857/j.issn.1674-5124.2016.01.023

摘要

为提高金属探伤时对缺陷的识别能力,提出一种遗传优化支持向量机,结合经验模态分解(EMD),对超声波缺陷信号进行自动识别.首先进行经验模态分解法分解,提取出原始信号特征,构建特征向量.鉴于常用的神经网络模型识别率不高及支持向量机参数难确定的问题,利用遗传算法优化支持向量机模型(GA-SVM)的惩罚因子和核参数,提高支持向量机建模精度.分别采用神经网络模型、SVM模型和GA-SVM模型对特征向量进行训练与测试,GA-SVM模型识别率达到98.437 5％,优于神经网络方法和未改进的交叉验证法SVM模型.试验结果表明:遗传算法能有效提高支持向量机的性能,在小样本条件下能够提高超声缺陷的识别率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李大中	华北电力大学自动化系	92	613	13.0	17.0
2	赵杰	华北电力大学自动化系	14	91	5.0	9.0