Page 120 - 《应用声学》2022年第4期

618 2022 年 7 月

在进行神经网络训练时，由于每次选取的测试 网络泛化能力稍微高于 GA-BP 神经网络。总体而
样本和训练样本以及网络的初始权值都有一定的 言，使用 GA-BP 神经网络去做损伤程度评估，将有
随机性，造成网络最后的结果具有差异性，这样就要 效提高网络的评估正确率，从而减小工程应用中的
求网络需要较强的泛化能力。因此，为了比较BP神 误差。
经网络与 GA-BP 神经网络的准确性与稳定性，按
90
照前文所述的网络结构，分别进行10次的训练和测
80
试，其公式如式(12)所示：
N 70
∑
Accuracy = (c/s)/N, (12) ᄈѬඋ/%
i=1 60 GA-BPᇸፃᎪፏ
BPᇸፃᎪፏ
其中，c 为正确数，s 为样本数，N 为测试次数。分别 50
使用均值和均方差对网络的各个参数进行分析。在
40
正确率上，均值可以很好地反映网络的各个不同程 0 1.5 2.5 3.5 4.5 5.5
૯͞ሮए/mm
度损伤的识别能力；均方差则能够反映在多次训练
中，网络的稳定性好坏，均方差越小则说明网络的泛 图 12 BP 神经网络与 GA-BP 神经网络的通孔损
伤正确率比较
化能力越强。
Fig. 12 Comparison of correct rate of through hole
从表1以及图12中可以得出以下结论：
damage between BP neural network and GA-BP
(1) 从均值可以看出，GA-BP 神经网络的评
neural network
估正确率要高于 BP 神经网络。GA-BP 神经网络 6
中不同程度的损伤评估平均正确率分别为 80.9%、 为了测试系统的泛化能力，再选取裂纹损伤程
77.3%、78.9%、78.9%、78.5%、77.8%，BP 神经网络 度进行评估。从样本信息库中选取每种损伤程度样
本集各 80组，将其中的 64组分为训练集，16组分为
6 中不同程度损伤的评估平均正确率分别为72.1%、
69.6%、69%、69%、70.9%、68.9%，两种神经网络的综 测试集。由于评估的裂纹损伤程度为 3 种，因此，神
合均评估正确率分别为 78.85%、68.9%。表明使用 经网络的输出节点设置为 3。网络经过训练后得到
隐含层神经元的个数为 28，最后得到的整个网络的
遗传算法优化后的网络权值和阈值，网络的评估正
结构为32-28-3。
确率则明显高于单一 BP 神经网络。从训练过程中
可以发现，网络只需要经过较少的训练就可以达到 表2 为3种不同程度裂纹损伤评估正确率。BP
很好的识别结果。 神经网络的评估正确率分别为 81.25%、75%、75%，
GA-BP 神经网络的损伤程度评估正确率分别为
表 1 不同神经网络测试正确率 87.5%、87.5%、93.5%。从每种程度的损伤评估正确
Table 1 Test accuracy of different neural 率和整体正确率上看，GA-BP 神经网络均要高于
networks
BP 神经网络。裂纹损伤评估正确率整体均大于通
孔损伤的正确率，主要原因是裂纹的损伤程度种类
神经网 测试 10 次测试正确率/%
络类型 误差 0 1.5 2.5 3.5 4.5 5.5 综合 比通孔要少3种，这大大降低了网络的复杂性。
BP 神经
0.44 72.1 69.6 69 69 70.9 68.9 69.9 表 2 不同程度裂纹损伤识正确率
网络均差
BP 神经网络 Table 2 Accuracy of crack damage iden-
0.11 8.0 8.3 11.2 10.4 7.52 10.0 8.93
均方差 tification indifferent degrees
GA-BP 神经
0.06 80.9 77.3 78.9 79.7 78.5 77.8 78.8
网络均差 BP 神经网络 GA-BP 神经网络
损伤程度
GA-BP 神经
0.06 9.6 6.6 10.9 6.9 8.2 11.9 8.7 测试数 正确数 正确率/% 测试数 正确数 正确率/%
网络均方差
无损 16 13 81.3 16 14 87.5
(2) 尽管 GA-BP 神经网络的测试误差要小于 损伤 20% 16 12 75 16 14 87.5
BP 神经网络，但是在均方差上而言，BP 神经网络 损伤 50% 16 12 75 16 15 93.5