基于FLDA与BP神经网络的超声3D目标识别

基于FLDA与BP神经网络的超声3D目标识别针对目前超声3D识别普遍存在的识别率低、鲁棒性差等问题，以物体内部人工标准缺陷为超声靶标，通过对超声靶标脉冲超声回波信号进行处理，提取了相对能量、相对幅值、相对频域带宽、相对峰度系数、相对离散系数、相对包络面积、相对偏度系数和相对频谱半高宽等多个特征参数，利用Fisher线性判别分析(Fisher Linear Discriminative Analysis, FLDA)对这些特征参数进行融合，形成融合特征，并采用反向传播(Back Propagation, BP)神经网络对融合特征进行训练与识别，对物体内部矩形槽、横通孔及平底孔三类超声靶标进行识别。试验结果表明：三种靶标的识别率分别高达了93.3%，93.3%，100%；对噪声有抑制能力，对测试工况不敏感，识别稳健性得到了提高，可为超声3D目标识别提供理论和技术参考。

标题：基于FLDA与BP神经网络的超声3D目标识别

作者：卢翠娥,宋寿鹏,张恒,姜琴,耿伟,

关键词：3D目标识别,超声波,特征融合,BP神经网络,

发表日期：2013年6月

2025-1-19 14:01 上传 基于FLDA与BP神经网络的超声3D目标识别.pdf

文件大小:

1.94 MB

下载次数:

60

高速下载