本站小編為你精心準備了徑向基神經網絡論文參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。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)改進反向傳播神經網絡(BPNN)方法和徑向基神經網絡(RBFNN)方法對太陽能電池缺陷電致發光圖像進行處理，主要包括圖像采集、PCA特征提取降維、神經網絡分類訓練、預測輸出等部分，如圖2所示。

1．1PCA處理輸入數據當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。向量維數太大將不利于網絡的計算。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絡的計算量。PCA是基于協方差矩陣將樣本數據投影到一個新的空間中，那么表示該樣本數據就只需要該樣本數據最大的一個線性無關組的特征值對應的空間坐標即可。將特征值從大到小排列，取較大特征值對應的分量就稱為主成分分量。通過這種由高維數據空間向低維數據空間投影的方法，可以將原始的高維數據壓縮到低維。假設數據矩陣Xn×p由樣本圖像組成，n是樣本數，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個神經元(降維后主成分分量個數)，輸出層有1個神經元(缺陷的分類向量)。隱層的節點數可以憑經驗多次實驗確定，也可以設計一個隱含層數目可變的BPNN。通過誤差對比，選擇在給定對比次數內誤差最小所對應的隱含層神經元數目，從而確定BPNN的結構。一般來說，3層BPNN就能以任意的精度逼近任意的連續函數［16］。本論文選擇3層BPNN，結構為k－m－1，m為隱含層節點數。為了使網絡訓練時不發生“過擬合”現象，設計合理BPNN模型的過程是一個不斷調整參數對比結果的過程。確定BPNN結構后，就可以對該網絡進行訓練。訓練函數采用Levenberg-Marquardt函數，隱含層神經元傳遞函數為S型正切函數tansig，輸出層神經元函數為純線性函數purelin。調用格式:net=newff(Y，T，［m，1］，{‘tansig’，‘purelin’}，‘train-lm’);Y為神經網絡的輸入矩陣向量(PCA降維后的矩陣向量)，T為神經網絡的輸出矩陣向量。Matlab自帶4種主要的函數來設計RBFNN:newrbe，newrb，newgrnn，newpnn。本文用相同的訓練樣本集和測試樣本集創建和測試了這4種網絡，其中，用newgrnn創建的網絡識別率最高，因此選用廣義回歸神經網絡newgrnn來創建RBFNN:(1)隱含層徑向基神經元層數目等于輸入樣本數，其權值等于輸入矩陣向量的轉置。(2)輸出層線性神經元層，以隱含層神經元的輸出作為該層的輸入，權值為輸出矩陣向量T，無閾值向量。調用格式:net=newgrnn(Y，T，Spread);Y為神經網絡的輸入矩陣向量(PCA降維后的矩陣向量)，T為神經網絡的輸出矩陣向量，Spread為徑向基函數的擴展速度。

1．3太陽能電池缺陷的檢測算法(1)數據映射。取每種類型缺陷圖像的60%和40%分別作為BPNN和RBFNN的訓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，作為網絡期望輸出T。(2)數據歸一化。將輸入輸出矩陣向量歸一化為［－1，1］，利于神經網絡的計算。(3)分別調用2．2節中創建的BPNN和RBFNN，設置網絡參數，利用訓練樣本集先對網絡訓練，然后將訓練好的網絡對測試樣本集進行仿真，并對仿真結果進行反歸一化。(4)最后將仿真預測輸出分別和圖像1，2，3，4比較，差值的絕對值小于閾值0．5認為預測正確。閾值是根據網絡的期望輸出選擇的，以能正確區分不同缺陷類型為宜。識別率定義為正確識別的數量和樣本數的比值。

2實驗內容與結果分析

為了驗證本文方法的有效性，我們通過CCD圖像采集系統采集了1000張太陽能電池板EL圖片，包括250張虛焊樣本、250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據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內存的PC機，編譯環境為Mat-labR2012b。由于樣本圖像數據較大，需采用2．1節中的PCA算法進行降維處理。對樣本圖像集降維后，得到神經網絡的輸入矩陣。但是，隨著樣本數的增加，占有主要信息的主成分維數也在增加。因此，分別采用占有主要信息60%～90%的圖像作為BPNN的輸入，對應的降維后的主成分維數k為BPNN輸入層節點數。由于BPNN的結果每次都不同，所以運行50次，保存識別率最高的網絡。圖3是在不同樣本集數下的PCA-BPNN的最高識別率。其中，樣本數n=1000時的PCA-BPNN識別率如表1所示。同時網絡參數設置也列在表1中。隱含層中的最佳節點數是采用經驗公式所得［17］。從圖3和表1中可以看出，當維數降至20維(占主要信息70%)、總樣本數為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，在不同樣本集數下，PCA-RBFNN的最高識別率如圖4所示。其中，樣本數n=1000時的PCA-RBFNN識別率如表2所示。參數Spread的設置也列在表2中，首先設定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，樣本數為1000(測試樣本400)時，PCA維數降到15(占主要信息65%)，總的最高識別率為96．25%。兩種網絡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測值。表3列出了兩種方法的具體識別結果。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結論

根據現代太陽能電池板高質量的要求，提出了表面缺陷的PCA-RBFNN檢測方法，并與PCA-BPNN在網絡構建、參數設置、識別結果及計算時間方面進行了對比。結果表明，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隨著樣本數的增加其識別率也會相應增加，所以樣本數據庫的完善會提高神經網絡識別率。

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