本发明专利技术公开了一种用改进的蝙蝠算法来训练神经网络的权值和阈值，大大提高图像分类的准确度。包括以下算法步骤：步骤一：录入原始图像，对原始图像进行处理。步骤二：对网络进行初始化。步骤三：对本发明专利技术的初始参数赋值。步骤四：计算权值经验因子，蝙蝠利用等式移动，并更新响度和脉冲速率。步骤五：记录当前种群的全局最优位置和局部最优位置，并更新利用公式进行速度更新，根据公式获得种群蝙蝠的信位置。步骤六：最优解X分别对应网络的权值和阈值，输出结果。步骤七：判断是否打到最大迭代次数，如果是，则输出结果。如果否，则返回步骤四。本发明专利技术与其他算法相比具有更快的收敛速度，本发明专利技术更具有开发能力，并且更加稳定。
【技术实现步骤摘要】
一种基于改进的蝙蝠算法的BP分类算法
：本专利技术涉及带钢表面检测
，特别涉及对内含物、斑块、开裂、点蚀、轧制氧化皮、划痕六种缺陷进行匹配图像和识别的算法。
技术介绍
：近年来随着图像识别技术技术的迅猛发展，机器视觉技术正逐渐渗透到生产加工的各个方面。其中，带钢的表面质量检测是其非常适合应用的一环。钢板在生产过程中容易出现点蚀，开裂，凹坑，划痕等问题。因此其表面缺陷检测受到了钢板生产企业的广泛关注。运用图像识别技术可以解决钢板缺陷的分类问题，图像识别及技术可以分为图像特征提取和图像分类两个步骤。对于金属表面缺陷检测的特征提取，通常选择图像的纹理特征。除了纹理特征外，图像分类器的选取对图像的分类影响也很大，目前应用最广泛的神经网络是BP神经网络。BP网络是一种前馈式神经网络，它通过误差反向传播，利用梯度下降寻找函数的最优值。但BP网络存在收敛速度慢，易陷入局部最小值，泛化能力差等缺点。为了改进BP网络的缺点，学者们将蝙蝠算法应用到图像识别技术当中去，该算法受蝙蝠通过回声定位捕食猎物的行为启发，是一种基于迭代优化的新型群智能算法，在算法的性能方面，它优于GA和PSO等算法,具有收敛速度快，全局搜索能力强的特点。因此BA算法被广泛应用于工业生产、图像处理、航天航空等各个方面。但是蝙蝠算法也有其局限性，容易出现陷入局部最优、收敛精度低等问题。为了克服蝙蝠算法的缺点，本专利技术提出了一种用改进的蝙蝠算法(WG-BA)来训练神经网络的权值和阈值，该方法能够克服误差反向传播网络收敛时间长、易陷入局部最优的缺点，进而提高图像分类的准确度。
技术实现思路
：本专利技术的目的在于提供一种用改进的蝙蝠算法(WG-BA)来训练神经网络的权值和阈值，该方法能够克服误差反向传播网络收敛时间长、易陷入局部最优的缺点，进而大大提高图像分类的准确度，以解决上述背景故事中提到的问题。为实现上述目的，本专利技术提出如下技术方案：一种基于改进蝙蝠算法优化BP神经网络来应用于带钢表面缺陷图像分类方法。步骤一：录入原始图像，对原始图像进行LBP处理，提取内含物、斑块、开裂、点蚀、轧制氧化皮、划痕等信息的特征向量，对网络进行输入。步骤二：对网络进行初始化，设置网络的层数，各层网络的节点数。步骤三：对本专利技术的初始参数赋值，包括初始位置、速度、响度、频度、最大迭代次数等。步骤四：计算权值经验因子，蝙蝠的位置由Xi(t+1)＝Xi(t)+Vi(t+1)确定，速度由等式Vik(t+1)＝ω·Vik(t)+(Xik(t)-Pk(t))·fi(t)确定，并更新响度和脉冲速率。步骤五：记录当前种群的全局最优位置和局部最优位置，并更新利用公式进行速度更新，根据公式获得种群蝙蝠的新位置记为步骤六：最优解X分别对应网络的权值和阈值，输出结果。步骤七：判断是否打到最大迭代次数，如果是，则输出结果。如果否，则返回步骤四。本专利技术的技术效果和优点：第一在金属表面缺陷的分类问题上，本专利技术在准确率、精确率、灵敏度、特异性和F1值的结果本专利技术都优于其他群智能算法优化的BP网络。本专利技术与其他算法相比具有更快的收敛速度，加入的权重经验因子可以根据迭代次数和适应度函数的改变而改变，从而控制蝙蝠的飞行速度；蝙蝠的响度计算中加入伽马分布，可以增强蝙蝠的局部搜索能力，该算法更具有开发能力，并且更加稳定。第二本专利技术与BP、GA-BP、PSO-BP、SSA-BP、BA-BP相比能够更快的达到最小误差，其准确度，精确度，灵敏度，特异性，F1值分别提高2.52％-5％，3.57％-5.32％，3.89％-6.33％，0.8％-1.26％，3.92％-6.66％。第三本专利技术在解决六种缺陷图像(内含物、斑块、开裂、点蚀、轧制氧化皮、划痕)的分类问题上，其准确度可以达到97.37％，实验验证了本专利技术是一种有效的分类带刚表面缺陷的方法。综上所述本专利技术能够很好地提高带刚表面缺陷的分类精度。附图说明：图1为本专利技术与BP神经网络结合的算法流程图。具体实施方式：下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例：步骤一：录入原始图像，对原始图像进行LBP处理，提取内含物、斑块、开裂、点蚀、轧制氧化皮、划痕等信息的特征向量，对网络进行输入。步骤二：对网络进行初始化，设置网络的层数，各层网络的节点数。步骤三：对本专利技术的初始参数赋值，包括初始位置、速度、响度、频度、最大迭代次数等。步骤四：计算权值经验因子，蝙蝠的位置由Xi(t+1)＝Xi(t)+Vi(t+1)确定，速度由等式Vik(t+1)＝ω·Vik(t)+(Xik(t)-Pk(t))·fi(t)确定，并更新响度和脉冲速率。步骤五：记录当前种群的全局最优位置和局部最优位置，并更新利用公式进行速度更新，根据公式获得种群蝙蝠的新位置记为步骤六：最优解X分别对应网络的权值和阈值，输出结果。步骤七：判断是否打到最大迭代次数，如果是，则输出结果。如果否，则返回步骤四。本专利技术的实施例具体原理：由于经典蝙蝠算法只依靠全局最优位置进行速度的更新，所以在蝙蝠的搜索过程中，易陷入局部最优的情况。本文提出一种在速度更新公式中加入两种新引力的方式，权重经验因子的计算方法如下：Vik(t+1)＝ω·Vik(t)+(Xik(t)-Pk(t))·fi(t)其中ωmax为最大权重经验因子，ωmin为最小权重经验因子，t为迭代次数，fmax为最佳适应度值，fmin最差适应度值，τ和是常量且0<τ<1,公式(1)和公式(2)在保留了经典蝙蝠算法线性递减的优势的同时，又可以根据迭代次数和适应度函数的改变来计算出新的位置。这使得本专利技术算法在计算的初始阶段具有很好的全局寻优性能，可以避免陷入局部最优点，避免过快收敛。在迭代后期局部寻优性能加强。这种方法对于提高算法的求解质量，加快寻优速度有着重要的作用。伽玛分布是一种连续概率函数，若随机变量x为第a事件发生所需时间，则其密度函数为均值为方差为特征函数为其中α称为形状参数，β称为逆尺度参数在基本的蝙蝠算法之中，随着迭代次数的叠加，通过响度的降低，全局搜索的蝙蝠数量会增加，局部搜索的蝙蝠数量会减少，每一代蝙蝠算法的全局搜索和局部搜索的比例是一个概率问题，经典蝙蝠算法通过等式更新响度，本专利技术提出在响度的更新公式中引入伽马函数，使蝙蝠能随着迭代的增加而调节响度的变化，在蝙蝠寻找目标的初期增强局部搜索能力，在找到目标后降低局部搜索的能力。新的响度更新公式为上述方法与BP网络结合是将BP网络的权值和阈值作为上述方法的位置向量本文档来自技高网...
【技术保护点】
1.一种用改进的蝙蝠算法，其特征在于，包括以下算法步骤：/n步骤一：录入原始图像，对原始图像进行LBP处理，提取内含物、斑块、开裂、点蚀、轧制氧化皮、划痕等信息的特征向量，对网络进行输入。/n步骤二：对网络进行初始化，设置网络的层数，各层网络的节点数。/n步骤三：对本专利技术的初始参数赋值，包括初始位置、速度、响度、频度、最大迭代次数等。/n步骤四：计算权值经验因子，蝙蝠利用等式移动，并更新响度和脉冲速率。/n步骤五：记录当前种群的全局最优位置和局部最优位置，并更新利用公式进行速度更新，根据公式获得种群蝙蝠的信位置。/n步骤六：最优解X分别对应网络的权值和阈值，输出结果。/n步骤七：判断是否打到最大迭代次数，如果是，则输出结果。如果否，则返回步骤四。/n
【技术特征摘要】
1.一种用改进的蝙蝠算法，其特征在于，包括以下算法步骤：
步骤一：录入原始图像，对原始图像进行LBP处理，提取内含物、斑块、开裂、点蚀、轧制氧化皮、划痕等信息的特征向量，对网络进行输入。
步骤二：对网络进行初始化，设置网络的层数，各层网络的节点数。
步骤三：对本发明的初始参数赋值，包括初始位置、速度、响度、频度、最大迭代次数等。
步骤四：计算权值经验因子，蝙蝠利用等式移动，并更新响度和脉冲速率。
步骤五：记录当前种群的全局最优位置和局部最优位置，并更新利用公式进行速度更新，根据公式获得种群蝙蝠的信位置。
步骤六：最优解X分别对应网络的权值和阈值，输出结果。
步骤七：判断是否打到最大迭代次数，如果是，则输出结果。如果否，则返回步骤四。
2.根据权利要求1所述的一种用改进的蝙蝠算法，其特征在于：本发明提出在响度的更新公式中引入伽马函数，使蝙蝠能随着迭代的增加而调节响度的变化，在蝙蝠寻找目标的初期增强局部搜索能力，在找到目标后降低局部搜索的能力。新的响度更新公式为：
3.根据权利要求1所述的一种用改进的蝙蝠算法，其特征在于：由于经典蝙蝠算法只依靠全局最优位置进行速度的更新，所以在蝙蝠的搜索过程中，易陷入局部最优的情况。本文提出一种在速度更新公式中加入两种新引力的方式，权重经验因子的计算方法为：
Vik(t+1)＝ω·Vik(t)+(Xik(t)-Pk(t))·fi(t)
其中ωmax为最大权重经验因子，ωmin为最小权重经验因子，t为迭代次数，fmax为最佳适应度值，fmin最差适应度值，τ和是常量且上述两个公式在保留了经典蝙蝠算法线性递减的优势的同时，又可以根据迭代次数和适应度函数的改变来计算出新的位置。这使得...
【专利技术属性】
技术研发人员：岳晓峰，卢禹成，高学亮，马国元，张守鑫，郜军涛，于显宁，张明志，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：吉林;22
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。