钢铁材质无损检测中神经网络聚类方法的应用

　　1引言

　　多年来，用电磁方法进行钢铁材质无损检测的研究工作，取得了大量成果.然而对于钢材及其制的混料、硬度和裂纹质量检测还存在许多难题f}. }l特别是喷油嘴的裂纹检测问题.这些均影响了该技术在生产实际中的厂‘泛应用与发展.为此，本文采用神经网络聚类方法建立检测模型，将电磁无损检测技术与神经网络聚类技术相结合，进行了275iMnMoV喷油嘴的裂纹检测，40Cr油淬件与水淬件的判别，高速钢硬度等的识别，都收到了较好的效果.

　　2学习向量量化神经网络

　　学习向量量化神经网络(Learning Vector Quan-tization, LVQ)是一种对数据集进行模式分类的神经网络[f3.41，它是在监督状态下具有期望类别信息数据对竞争层进行训练的一种学习算法.竞争层将自动学习对输人矢量进行分类，分类结果仅依赖于输人矢量与权矢量之问的距离.如果两个矢量的距离特别相近，就把它们分在同一类.这种绝对的“胜者为王”的竞争策略、对原始信息的利用率很低，为了改进LVQ神经网络的聚类效果，本文采用无监督数据聚类技术，对数据集预处理，获得聚类中心.

　　LVQ神经网络是一个三层网络.第一层是输人层，第二层是竞争层，第三层是输出层，见图1.第三层的功能是将竞争层的分类结果传送到事先设定的目标分类上.所有输人单元i以权值叽与所有输出单元j相连.输人单元数等于输人的维数，而竞争单元数等于数据被划分成的类别数.聚类中心的位置由相应输出单元相连的权向量指定.通常假定输入向量X，二以，…，茂】T和竞争单元j的权向量矶=[琳，，叽，姚，，…，叽]‘『被归一化为单位长度的向量.

　　2.1LVQ神经网络的训练方法

　　使用一训练矢量X序列和Kohonen学习算法调节丫.Kohonen学习算法是一种无师学习算法”一7]，即只有输人矢量在训练时加人，调节权阵列砰以使第二层的一个神经元集合或一给定神经元被激活，其训练步骤如下:

　　l)所有权矢量初始化;

　　2)每次给网络输人一个矢量，计算输人矢量与所有权矢量的距离，即

　　式中:d，为欧几里德距离;砰j为神经元j的权矢量;X:为输人矢量.竞争胜利的神经元是距离最小的神经元，即与训练矢量最近的神经元;

　　3)若竞争胜利的神经元与训练矢量是同一类，则权矢量按“增大’调整;若不是同一类，则按“小”调整;其余权矢量保持不变.若竞争胜利的神经元是同类，其调整算法为

　　若竞争胜利的神经元是不同类，则