本站小編為你精心準備了徑向基神經(jīng)網(wǎng)絡(luò)論文參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

1本文提出的方法

EL檢測原理與檢測系統(tǒng)在文獻［1］中有詳細的描述。本文采用該文獻中的方法對太陽能電池片的EL圖像進行采集。圖1(a)、(b)、(c)分別表示由CCD采集的一塊大小為125bits×125bits的虛焊缺陷圖像、微裂缺陷圖像和斷指缺陷圖像。圖1(d)是無缺陷太陽能電池組圖像，它包含36(6×6)塊大小為125bits×125bits的太陽能電池片圖像。本文提出融合主成分分析(PCA)改進反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)方法和徑向基神經(jīng)網(wǎng)絡(luò)(RBFNN)方法對太陽能電池缺陷電致發(fā)光圖像進行處理，主要包括圖像采集、PCA特征提取降維、神經(jīng)網(wǎng)絡(luò)分類訓(xùn)練、預(yù)測輸出等部分，如圖2所示。

1．1PCA處理輸入數(shù)據(jù)當BPNN和RBFNN的輸入是太陽能電池板缺陷圖像集時，圖像是以向量的形式表示。向量維數(shù)太大將不利于網(wǎng)絡(luò)的計算。我們采用主成分分量分析(PCA)算法［15］來提取該向量的主要特征分量，既不損失重要信息又能減少網(wǎng)絡(luò)的計算量。PCA是基于協(xié)方差矩陣將樣本數(shù)據(jù)投影到一個新的空間中，那么表示該樣本數(shù)據(jù)就只需要該樣本數(shù)據(jù)最大的一個線性無關(guān)組的特征值對應(yīng)的空間坐標即可。將特征值從大到小排列，取較大特征值對應(yīng)的分量就稱為主成分分量。通過這種由高維數(shù)據(jù)空間向低維數(shù)據(jù)空間投影的方法，可以將原始的高維數(shù)據(jù)壓縮到低維。假設(shè)數(shù)據(jù)矩陣Xn×p由樣本圖像組成，n是樣本數(shù)，p是樣本圖像的大小。若Xn×p的每一行代表一幅樣本圖像，則Xn×p的PCA降維矩陣求解步驟如下。

1．2創(chuàng)建BPNN模型和RBFNN模型太陽能電池缺陷種類很多，不同缺陷類型圖像具有不同特征。對太陽能電池缺陷圖像求其主成分分量作為BPNN的輸入，缺陷的分類作為輸出，輸入層有k個神經(jīng)元(降維后主成分分量個數(shù))，輸出層有1個神經(jīng)元(缺陷的分類向量)。隱層的節(jié)點數(shù)可以憑經(jīng)驗多次實驗確定，也可以設(shè)計一個隱含層數(shù)目可變的BPNN。通過誤差對比，選擇在給定對比次數(shù)內(nèi)誤差最小所對應(yīng)的隱含層神經(jīng)元數(shù)目，從而確定BPNN的結(jié)構(gòu)。一般來說，3層BPNN就能以任意的精度逼近任意的連續(xù)函數(shù)［16］。本論文選擇3層BPNN，結(jié)構(gòu)為k－m－1，m為隱含層節(jié)點數(shù)。為了使網(wǎng)絡(luò)訓(xùn)練時不發(fā)生“過擬合”現(xiàn)象，設(shè)計合理BPNN模型的過程是一個不斷調(diào)整參數(shù)對比結(jié)果的過程。確定BPNN結(jié)構(gòu)后，就可以對該網(wǎng)絡(luò)進行訓(xùn)練。訓(xùn)練函數(shù)采用Levenberg-Marquardt函數(shù)，隱含層神經(jīng)元傳遞函數(shù)為S型正切函數(shù)tansig，輸出層神經(jīng)元函數(shù)為純線性函數(shù)purelin。調(diào)用格式:net=newff(Y，T，［m，1］，{‘tansig’，‘purelin’}，‘train-lm’);Y為神經(jīng)網(wǎng)絡(luò)的輸入矩陣向量(PCA降維后的矩陣向量)，T為神經(jīng)網(wǎng)絡(luò)的輸出矩陣向量。Matlab自帶4種主要的函數(shù)來設(shè)計RBFNN:newrbe，newrb，newgrnn，newpnn。本文用相同的訓(xùn)練樣本集和測試樣本集創(chuàng)建和測試了這4種網(wǎng)絡(luò)，其中，用newgrnn創(chuàng)建的網(wǎng)絡(luò)識別率最高，因此選用廣義回歸神經(jīng)網(wǎng)絡(luò)newgrnn來創(chuàng)建RBFNN:(1)隱含層徑向基神經(jīng)元層數(shù)目等于輸入樣本數(shù)，其權(quán)值等于輸入矩陣向量的轉(zhuǎn)置。(2)輸出層線性神經(jīng)元層，以隱含層神經(jīng)元的輸出作為該層的輸入，權(quán)值為輸出矩陣向量T，無閾值向量。調(diào)用格式:net=newgrnn(Y，T，Spread);Y為神經(jīng)網(wǎng)絡(luò)的輸入矩陣向量(PCA降維后的矩陣向量)，T為神經(jīng)網(wǎng)絡(luò)的輸出矩陣向量，Spread為徑向基函數(shù)的擴展速度。

1．3太陽能電池缺陷的檢測算法(1)數(shù)據(jù)映射。取每種類型缺陷圖像的60%和40%分別作為BPNN和RBFNN的訓(xùn)練樣本集和測試樣本集。將樣本集中每張圖片變成矩陣中的一列，形成一個矩陣，采用2．1節(jié)中的方法對該矩陣進行PCA降維后的矩陣作為BPNN和RBFNN的輸入。將虛焊、微裂、斷指和無缺陷4種不同類型圖像分別標記為1，2，3，4，作為網(wǎng)絡(luò)期望輸出T。(2)數(shù)據(jù)歸一化。將輸入輸出矩陣向量歸一化為［－1，1］，利于神經(jīng)網(wǎng)絡(luò)的計算。(3)分別調(diào)用2．2節(jié)中創(chuàng)建的BPNN和RBFNN，設(shè)置網(wǎng)絡(luò)參數(shù)，利用訓(xùn)練樣本集先對網(wǎng)絡(luò)訓(xùn)練，然后將訓(xùn)練好的網(wǎng)絡(luò)對測試樣本集進行仿真，并對仿真結(jié)果進行反歸一化。(4)最后將仿真預(yù)測輸出分別和圖像1，2，3，4比較，差值的絕對值小于閾值0．5認為預(yù)測正確。閾值是根據(jù)網(wǎng)絡(luò)的期望輸出選擇的，以能正確區(qū)分不同缺陷類型為宜。識別率定義為正確識別的數(shù)量和樣本數(shù)的比值。

2實驗內(nèi)容與結(jié)果分析

為了驗證本文方法的有效性，我們通過CCD圖像采集系統(tǒng)采集了1000張?zhí)柲茈姵匕錏L圖片，包括250張?zhí)摵笜颖尽?50張微裂樣本、250張斷指樣本、250張無缺陷樣本，大小為125bits×125bits。我們利用圖片組成的樣本數(shù)據(jù)集進行了大量的實驗，將每種類型缺陷圖像的60%和40%分別作為BPNN和RBFNN的訓(xùn)練樣本集和測試樣本集。算法測試硬件平臺為Inteli5750、主頻2．66GHz的CPU，4G內(nèi)存的PC機，編譯環(huán)境為Mat-labR2012b。由于樣本圖像數(shù)據(jù)較大，需采用2．1節(jié)中的PCA算法進行降維處理。對樣本圖像集降維后，得到神經(jīng)網(wǎng)絡(luò)的輸入矩陣。但是，隨著樣本數(shù)的增加，占有主要信息的主成分維數(shù)也在增加。因此，分別采用占有主要信息60%～90%的圖像作為BPNN的輸入，對應(yīng)的降維后的主成分維數(shù)k為BPNN輸入層節(jié)點數(shù)。由于BPNN的結(jié)果每次都不同，所以運行50次，保存識別率最高的網(wǎng)絡(luò)。圖3是在不同樣本集數(shù)下的PCA-BPNN的最高識別率。其中，樣本數(shù)n=1000時的PCA-BPNN識別率如表1所示。同時網(wǎng)絡(luò)參數(shù)設(shè)置也列在表1中。隱含層中的最佳節(jié)點數(shù)是采用經(jīng)驗公式所得［17］。從圖3和表1中可以看出，當維數(shù)降至20維(占主要信息70%)、總樣本數(shù)為1000(測試樣本400)時，4種類型總的最高識別率為93．5%。在相同的訓(xùn)練樣本集和測試樣本集上，采用與BPNN同樣的輸入和輸出，在不同樣本集數(shù)下，PCA-RBFNN的最高識別率如圖4所示。其中，樣本數(shù)n=1000時的PCA-RBFNN識別率如表2所示。參數(shù)Spread的設(shè)置也列在表2中，首先設(shè)定Spread為1，然后以10倍的間隔速度遞減。從圖4和表2中可以看出，樣本數(shù)為1000(測試樣本400)時，PCA維數(shù)降到15(占主要信息65%)，總的最高識別率為96．25%。兩種網(wǎng)絡(luò)的測試樣本集最高識別率對比分別如圖5和表3所示。圖5(a)、(b)分別為采用PCA-BPNN與PCA-RBFNN方法時測試樣本集中的4種缺陷樣本圖像的期望值與預(yù)測值。表3列出了兩種方法的具體識別結(jié)果。從表3可以看出，兩種方法對虛焊缺陷識別率均較高，分別為99%和100%;微裂缺陷識別率較低，分別為89%和92%。這是因為虛焊缺陷面積較大，顏色較深具有顯著特點;而微裂缺陷面積較小，與背景對比不強烈，導(dǎo)致錯誤分類。采用本文提出的BPNN和RBFNN方法處理一幅750×750大小的圖像大約分別需要1．8s和0．1s，PCA降維的時間大約為0．02s。將上述兩種方法與FCM［18］及ICA［3］方法進行比較，結(jié)果如表4所示。可以看出，RBFNN方法具有較高的識別率和較短的計算時間，更適合于在線檢測。

3結(jié)論

根據(jù)現(xiàn)代太陽能電池板高質(zhì)量的要求，提出了表面缺陷的PCA-RBFNN檢測方法，并與PCA-BPNN在網(wǎng)絡(luò)構(gòu)建、參數(shù)設(shè)置、識別結(jié)果及計算時間方面進行了對比。結(jié)果表明，RBFNN具有較高的識別率和較短的計算時間，更適宜在線檢測。BPNN和RBFNN隨著樣本數(shù)的增加其識別率也會相應(yīng)增加，所以樣本數(shù)據(jù)庫的完善會提高神經(jīng)網(wǎng)絡(luò)識別率。

作者：沈凌云朱明陳小云單位：中國科學(xué)院長春光學(xué)精密機械與物理研究所中國科學(xué)院大學(xué)長春理工大學(xué)電子信息工程學(xué)院