修剪型神經(jīng)網(wǎng)絡(luò)在錨桿錨固缺陷識(shí)別中的應(yīng)用

孫曉云， 吳世星， 韓 廣， 田 軍， 成 琦(.石家莊鐵道大學(xué) 電氣與電子工程學(xué)院，石家莊 050043；.河北省發(fā)展與改革委員會(huì)，石家莊 050043)

錨桿錨固技術(shù)能夠充分挖掘巖土自身能量，調(diào)用巖土的自身強(qiáng)度和自穩(wěn)能力，起到加固和支護(hù)圍巖的作用，加之其能夠減輕結(jié)構(gòu)自重、節(jié)省工程材料、減少場(chǎng)地面積等優(yōu)點(diǎn)，錨桿錨固技術(shù)在國(guó)內(nèi)外得到了快速發(fā)展。但是，錨桿錨固施工技術(shù)具有高度隱蔽性，使得很難發(fā)現(xiàn)其質(zhì)量問(wèn)題，一旦出現(xiàn)質(zhì)量問(wèn)題將會(huì)造成人員和財(cái)產(chǎn)的巨大損失。因此，識(shí)別錨桿錨固是否有缺陷及缺陷類型成為了檢測(cè)錨桿錨固質(zhì)量的一項(xiàng)重要任務(wù)。

傳統(tǒng)的錨桿錨固質(zhì)量檢測(cè)方法有拉拔試驗(yàn)法[1-2]和取芯法[3]，它們耗時(shí)費(fèi)力，具有破壞性。而無(wú)損檢測(cè)技術(shù)的研究彌補(bǔ)了傳統(tǒng)檢測(cè)方法的不足，成為了現(xiàn)階段檢測(cè)錨桿錨固質(zhì)量的一大發(fā)展趨勢(shì)。Thurner[4]提出利用超聲波檢測(cè)錨桿，但超聲波法激發(fā)條件苛刻、衰減速度很快，只適用于短錨桿，難以適用于種類繁多，長(zhǎng)度較長(zhǎng)的錨桿。汪明武等[5-7]通過(guò)錨桿錨固室內(nèi)模型和現(xiàn)場(chǎng)試驗(yàn)的無(wú)損檢測(cè)，提出了聲頻應(yīng)力波法，它的工作核心是錨固段長(zhǎng)度的測(cè)定和系統(tǒng)參數(shù)的設(shè)定。李義等[8-9]，以一維彈性桿的振動(dòng)理論為基礎(chǔ)，提出了應(yīng)力波反射法，該方法基本滿足錨桿施工安全檢測(cè)及錨桿支護(hù)優(yōu)化的要求。但是它對(duì)底端反射信號(hào)不能很好識(shí)別。以上方法存在著許多影響因素， 如：敲擊頻率、自由段長(zhǎng)度、注漿密實(shí)度等，因此，很難根據(jù)實(shí)測(cè)曲線判斷錨桿錨固質(zhì)量。針對(duì)以上不足本文采用修剪型神經(jīng)網(wǎng)絡(luò)判斷錨桿錨固質(zhì)量，并對(duì)其進(jìn)行缺陷識(shí)別。從采集的錨桿信號(hào)中提取特征值作為人工神經(jīng)網(wǎng)絡(luò)的輸入，通過(guò)網(wǎng)絡(luò)訓(xùn)練、測(cè)試對(duì)錨桿錨固質(zhì)量進(jìn)行智能化分類，從而判斷出錨桿錨固質(zhì)量的缺陷類型。

近年來(lái)，研究者們提出一些修剪型神經(jīng)網(wǎng)絡(luò)算法。Le等[10]提出了一種早期的神經(jīng)網(wǎng)絡(luò)剪枝算法：最優(yōu)腦損傷(Optimal Brain Damage,OBD)算法，該算法是通過(guò)計(jì)算各個(gè)權(quán)值對(duì)網(wǎng)絡(luò)誤差的特征值，刪除特征值最小的權(quán)值，實(shí)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)的簡(jiǎn)化。但該算法的不足之處在于，每次剪之前都要完整的訓(xùn)練一次神經(jīng)網(wǎng)絡(luò)，這樣不僅會(huì)降低算法的效率，而且還需要大量的計(jì)算時(shí)間。在OBD的基礎(chǔ)上Hassibi等[11]提出了一種最優(yōu)腦外科結(jié)構(gòu)(OBS),這種模型利用修改Hessian矩陣的方法對(duì)神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)進(jìn)行調(diào)整，該算法可以同時(shí)修剪幾個(gè)權(quán)值，還可以對(duì)剩余的神經(jīng)元參數(shù)進(jìn)行修正，但是該算法的不足之處是，Hessian矩陣及其求逆的過(guò)程需要耗費(fèi)大量的時(shí)間。李倩等[12]基于遺傳算法和局部搜索算法，提出了混合剪枝算法，該算法在尋優(yōu)能力，簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，保證網(wǎng)絡(luò)穩(wěn)定性方面具有明顯的優(yōu)勢(shì)，適合大規(guī)模的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化問(wèn)題。Philippe等[13]提出了基于敏感度分析(SA)的修剪型神經(jīng)網(wǎng)絡(luò)。利用神經(jīng)網(wǎng)絡(luò)輸出值的敏感度分析，確定隱含層神經(jīng)元對(duì)輸出神經(jīng)元的貢獻(xiàn)，刪除貢獻(xiàn)較小的隱含層神經(jīng)元，從而達(dá)到簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)。喬俊飛等[14]提出一種快速修剪算法其實(shí)質(zhì)是求取隱含層神經(jīng)元對(duì)神經(jīng)網(wǎng)絡(luò)輸出的靈敏度。根據(jù)各神經(jīng)元的靈敏度，按照一定的準(zhǔn)則削減冗余神經(jīng)元，獲得緊湊的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

本文針對(duì)不同缺陷類型的錨桿錨固提出了一種自適應(yīng)閾值前饋神經(jīng)網(wǎng)絡(luò)修剪算法對(duì)其缺陷進(jìn)行分類識(shí)別。以錨桿錨固加速度信號(hào)的特征值作為樣本數(shù)據(jù)，利用顯著性指數(shù)判斷隱含層神經(jīng)元對(duì)網(wǎng)絡(luò)輸出的貢獻(xiàn)值大小，通過(guò)自適應(yīng)調(diào)節(jié)網(wǎng)絡(luò)閾值，調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)樣本進(jìn)行分類識(shí)別。實(shí)驗(yàn)分析表明：該算法能夠優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，提高網(wǎng)絡(luò)性能并且能夠準(zhǔn)確的識(shí)別出錨桿錨固的缺陷類型，提高錨桿錨固的識(shí)別精度。

本文結(jié)構(gòu)如下：

(1) 主要介紹了錨桿錨固模型和數(shù)據(jù)采集及特征值提取。

(2) 修剪型網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，主要介紹了前饋神經(jīng)網(wǎng)絡(luò)、BP算法以及自適應(yīng)閾值的設(shè)定。

(3) 實(shí)驗(yàn)分析，用設(shè)計(jì)好的網(wǎng)絡(luò)模型對(duì)采集的錨桿錨固數(shù)據(jù)進(jìn)行訓(xùn)練測(cè)試，對(duì)錨桿錨固缺陷進(jìn)行分類識(shí)別。采用工程案例對(duì)此算法做了進(jìn)一步驗(yàn)證。

1 錨桿錨固數(shù)據(jù)采集及特征提取

1.1 錨桿錨固模型

帶錨固體的錨桿分為三部分：錨頭、自由段和錨固段。本實(shí)驗(yàn)室已完成的錨桿錨固模型：2 m的正常的加固錨桿模型和2 m的帶缺陷的錨桿模型，其錨固段所選用的水泥漿材料是由砂、42.5號(hào)符合硅酸鹽水泥、水按比例為4∶2∶1混合而成的，樁體外殼是由直徑0.2 m的PVC管包裹。兩類錨桿的自由段長(zhǎng)度為1 m，螺紋鋼直徑為0.02 m，錨固段長(zhǎng)度為1 m，澆筑段直徑為0.2 m，缺陷錨桿的缺陷段長(zhǎng)度為0.2 m，直徑為0.1 m。錨桿錨固的實(shí)物模型如圖1所示。

圖1 加固錨桿實(shí)物模型

1.2 數(shù)據(jù)采集及特征提取

為了識(shí)別出不同缺陷類型的錨桿錨固，本文基于ANSYS-DYNA有限元分析軟件模擬出常見(jiàn)的四種類型的錨桿錨固：正常加固錨桿、長(zhǎng)度欠長(zhǎng)加固錨桿、長(zhǎng)度過(guò)長(zhǎng)加固錨桿、帶空洞的加固錨桿。首先，建立好有限元網(wǎng)格模型后，設(shè)置采樣頻率為20 kHz，用小錘激勵(lì)信號(hào)對(duì)錨桿的錨頭進(jìn)行敲擊，并由安裝在自由端端頭的加速度傳感器接收錨桿頂端加速度曲線。由于不同狀態(tài)下錨桿錨固的加速度反射信號(hào)所攜帶的能量是不相同的，利用小波包分解將反射信號(hào)分解到不同的頻帶，這些不同的頻帶所對(duì)應(yīng)的能量值作為系統(tǒng)的特征向量。

利用小波包分解對(duì)加速度信號(hào)進(jìn)行特征提取過(guò)程：①對(duì)四種類型的加速度信號(hào)進(jìn)行3層小波包分解，得到各層的低頻信號(hào)和高頻信號(hào);②對(duì)四種信號(hào)從低頻到高頻的各個(gè)節(jié)點(diǎn)的小波系數(shù)進(jìn)行重構(gòu),計(jì)算各重構(gòu)信號(hào)的能量;③構(gòu)造特征向量并將其歸一化處理。

根據(jù)以上步驟將得到的8維特征能量作為自組織神經(jīng)網(wǎng)絡(luò)的輸入，錨桿缺陷類型作為輸出，錨桿缺陷類型的期望輸出采用“n中取1”法即輸入被識(shí)別為哪一類時(shí)，輸出就對(duì)應(yīng)取為1，其余為0。如表1所示。

表1 缺陷類型的期望輸出表

2 自適應(yīng)閾值修剪型網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

2.1 前饋神經(jīng)網(wǎng)絡(luò)

前饋神經(jīng)網(wǎng)絡(luò)各神經(jīng)元從輸入層開(kāi)始，接收前一級(jí)輸入，并輸入到下一級(jí)，直至輸出層，整個(gè)網(wǎng)絡(luò)中無(wú)反饋。一般前饋神經(jīng)網(wǎng)絡(luò)有三層組成即：輸入層、隱含層、輸出層。不同層神經(jīng)元之間由權(quán)值相連接，而隱含層神經(jīng)元的節(jié)點(diǎn)數(shù)由問(wèn)題的復(fù)雜程度來(lái)決定。三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖,如圖2所示。

圖2 三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

輸入層神經(jīng)元個(gè)數(shù)為m個(gè)，隱含層神經(jīng)元個(gè)數(shù)為n個(gè)，輸出層神經(jīng)元個(gè)數(shù)為k個(gè)，輸入層與隱含層神經(jīng)元之間的連接權(quán)值用w表示，隱含層與輸出層神經(jīng)元之間的連接權(quán)值用v表示。隱含層的輸入是輸入層的輸出與對(duì)應(yīng)權(quán)值乘積的加權(quán)和。同理，輸出層的輸入是隱含層的輸出值與隱含層與輸出層之間對(duì)應(yīng)權(quán)值乘積的加權(quán)和。隱含層的激活函數(shù)采用sigmiod函數(shù)，輸出層采用線性函數(shù)。

2.2 BP算法

圖2三層神經(jīng)網(wǎng)絡(luò)，其正向傳播過(guò)程：

輸入層：輸入函數(shù)取線性函數(shù)，則第i個(gè)神經(jīng)元輸出為

ti=xi

(1)

隱含層：激活函數(shù)采用的sigmiod函數(shù)，其第j個(gè)神經(jīng)元的輸出為

(2)

輸出層：激活函數(shù)采用的線性函數(shù)則第k個(gè)神經(jīng)元的輸出為

(3)

若神經(jīng)網(wǎng)絡(luò)輸出y與期望值z(mì)不一致,則誤差函數(shù)為e=z-y。通過(guò)梯度下降法調(diào)整權(quán)值使誤差函數(shù)絕對(duì)值達(dá)到最小。

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練指標(biāo)為

(4)

由梯度下降法得Δv(k)的變化量為

(5)

權(quán)值v(k)更新可表示為

v(k+1)=v(k)-ηΔv(k)

(6)

其中η為學(xué)習(xí)率

同理可得輸入層與隱含層神經(jīng)元權(quán)值Δw(k)的變化量

(7)

其中

(8)

權(quán)值w(k)更新表示如下

w(k+1)=w(k)-ηΔw(k)

(9)

BP神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)的主要模型之一，但是它在使用之前需要事先確定網(wǎng)絡(luò)結(jié)構(gòu)，而神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)關(guān)系著網(wǎng)絡(luò)的性能，網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，將會(huì)出現(xiàn)冗余節(jié)點(diǎn)，導(dǎo)致網(wǎng)絡(luò)泛化能力降低。修剪型神經(jīng)網(wǎng)絡(luò)不用事先確定網(wǎng)絡(luò)結(jié)構(gòu)，它可以根據(jù)問(wèn)題的復(fù)雜度動(dòng)態(tài)地調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，減少網(wǎng)絡(luò)冗余節(jié)點(diǎn)，提高識(shí)別精度。

2.3 自適應(yīng)閾值前饋神經(jīng)網(wǎng)絡(luò)修剪算法

修剪算法[15]是一種在線調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(如圖3所示)，刪除網(wǎng)絡(luò)中多余的神經(jīng)元個(gè)數(shù)，有效的解決了網(wǎng)絡(luò)中由于神經(jīng)元過(guò)多而出現(xiàn)的過(guò)擬合問(wèn)題，是一種將復(fù)雜結(jié)構(gòu)簡(jiǎn)單化的算法。

圖中虛線所連接的神經(jīng)元是對(duì)網(wǎng)絡(luò)輸出貢獻(xiàn)值較小的，在刪減過(guò)程中該神經(jīng)元和其連接權(quán)值將被刪除。由公式表示刪減過(guò)程中網(wǎng)絡(luò)權(quán)值的變化如下

刪減前連接權(quán)值

(10)

刪減后連接權(quán)值

(11)

結(jié)合圖和公式可以看出隱含層第2號(hào)和第4號(hào)節(jié)點(diǎn)對(duì)網(wǎng)絡(luò)的輸出貢獻(xiàn)值少，在刪減過(guò)程中該節(jié)點(diǎn)和其連接權(quán)值都被刪除。由神經(jīng)網(wǎng)絡(luò)的輸出公式(3)可知隱含層神經(jīng)元對(duì)網(wǎng)絡(luò)輸出的貢獻(xiàn)值不僅與隱含層神經(jīng)元的輸出有關(guān)，還與隱含層和輸出層之間的連接權(quán)值有關(guān)。因此，本文提出利用隱含層神經(jīng)元節(jié)點(diǎn)輸出的顯著性來(lái)判斷該節(jié)點(diǎn)的重要性。將式(3)擴(kuò)展可得以下公式

圖3 修剪型神經(jīng)網(wǎng)絡(luò)

(12)

(13)

(14)

式中：SIj表示第j個(gè)隱含層神經(jīng)元顯著性指數(shù)；n表示隱含層神經(jīng)元的個(gè)數(shù)。

刪減過(guò)程中，隱含層的節(jié)點(diǎn)數(shù)和顯著性指數(shù)是不斷變化的，則刪減閾值的設(shè)定應(yīng)根據(jù)顯著性指數(shù)和隱含層節(jié)點(diǎn)個(gè)數(shù)的變化自適應(yīng)調(diào)整，因此可將刪減閾值表示為

(15)

如果GSIjPth，表明隱含層第j個(gè)節(jié)點(diǎn)對(duì)整個(gè)網(wǎng)絡(luò)輸出的貢獻(xiàn)值較大，不刪除，當(dāng)隱含層所有節(jié)點(diǎn)的全局顯著性指數(shù)都大于閾值時(shí)，刪減結(jié)束。

3 實(shí)驗(yàn)設(shè)計(jì)

3.1 實(shí)驗(yàn)分析

首先，對(duì)由ANSYS-DYNA有限元模擬的四種錨桿錨固類型進(jìn)行數(shù)據(jù)采集，對(duì)四種類型的錨桿錨固分別采集50組加速度信號(hào)，其次，對(duì)采集到的200組數(shù)據(jù)用小波提取能量的方法對(duì)其加速度信號(hào)進(jìn)行特征提取，最后，隨機(jī)抽取160組數(shù)據(jù)用于訓(xùn)練，剩余的40組數(shù)據(jù)用于測(cè)試。給定一個(gè)有足夠隱含層節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)，根據(jù)錨桿的樣本數(shù)據(jù)，設(shè)置其輸入層神經(jīng)元個(gè)數(shù)為8，輸出層神經(jīng)元個(gè)數(shù)為4，用BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，根據(jù)顯著性判斷隱含層神經(jīng)元對(duì)網(wǎng)絡(luò)輸出貢獻(xiàn)值大小并刪除網(wǎng)絡(luò)中貢獻(xiàn)值小的節(jié)點(diǎn)。其中學(xué)習(xí)率為η=0.15，訓(xùn)練過(guò)程中隱含層節(jié)點(diǎn)個(gè)數(shù)變化曲線如圖4所示。

圖4 隱含層神經(jīng)元個(gè)數(shù)變化曲線

Fig.4 The change curve of the number of neurons in the hidden layer

隱含層神經(jīng)元全局顯著性變化曲線圖5所示。

網(wǎng)絡(luò)訓(xùn)練過(guò)程中閾值變化曲線如圖6所示。

圖5 隱含層神經(jīng)元全局顯著性曲線圖

圖6 刪減閾值變化曲線圖

網(wǎng)絡(luò)訓(xùn)練過(guò)程中誤差變化曲線如圖7所示。

圖7 網(wǎng)絡(luò)訓(xùn)練誤差曲線圖

從圖4隱含層神經(jīng)元個(gè)數(shù)變化曲線看出經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)修剪算法，隱含層結(jié)點(diǎn)個(gè)數(shù)呈下降趨勢(shì)并最終達(dá)到穩(wěn)定，實(shí)現(xiàn)了網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單化。

刪減閾值的設(shè)定影響網(wǎng)絡(luò)的最終性能，因此，選擇合適的網(wǎng)絡(luò)閾值是十分的重要的，通過(guò)改進(jìn)閾值，使得刪減閾值隨著隱含層節(jié)點(diǎn)個(gè)數(shù)的變化和顯著性的變化實(shí)現(xiàn)動(dòng)態(tài)調(diào)整。本文主要從自適應(yīng)閾值和固定閾值、自適應(yīng)修剪型網(wǎng)絡(luò)和固定網(wǎng)絡(luò)進(jìn)行了比較分析，比較結(jié)果如表2、表3所示。

表2 自適應(yīng)閾值和固定閾值對(duì)比結(jié)果

對(duì)比結(jié)果表明：從隱含層節(jié)點(diǎn)個(gè)數(shù)、誤差值和識(shí)別率中自適應(yīng)閾值在錨桿錨固缺陷識(shí)別中都優(yōu)于固定閾值。

固定網(wǎng)絡(luò)結(jié)構(gòu)和自適應(yīng)修剪型網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比效果如表3所示。

表3 網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比結(jié)果

表2和3對(duì)比結(jié)果表明：在對(duì)錨桿錨固缺陷識(shí)別中修剪型神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)結(jié)構(gòu)和錨桿識(shí)別精度上都優(yōu)于一般神經(jīng)網(wǎng)絡(luò)。

3.2 工程案例驗(yàn)證

表4為某隧道[16]錨固工程中14根錨桿采用質(zhì)量動(dòng)測(cè)法時(shí)加速度由小波包分析得到的各頻帶的能量分布；對(duì)采集到的錨桿錨固加速度信號(hào)進(jìn)行3層小波包分解，其中，(3,0)～(3,7)表示由小波包分解得到的第三層低頻到高頻的8個(gè)頻段，將其頻段下的能量值歸一化后作為神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)。由拉拔試驗(yàn)測(cè)得：對(duì)14根錨桿進(jìn)行測(cè)試，其中前10根錨桿中，第9號(hào)錨桿在施加荷載至50 kN時(shí)，拔出錨桿，其低頻成分信號(hào)能量變大，期望輸出為(0,1)，表示為不合格；其余9根錨桿的輸出為(1,0)，表示為合格。根據(jù)前10根錨桿測(cè)得的結(jié)果，將其分為正常錨桿和缺陷錨桿兩類。樣本集1～10號(hào)錨桿作為訓(xùn)練樣本，11～14號(hào)錨桿作為測(cè)試樣本，根據(jù)前10根錨桿的已知屬性來(lái)進(jìn)行判斷和分類如表4所示。

表4 加速度各頻帶能量的分布

由于加速度頻帶能量值較大，在使用前需對(duì)其進(jìn)行歸一化處理，將歸一化后的前10根錨桿數(shù)據(jù)作為自適應(yīng)閾值前饋修剪型網(wǎng)絡(luò)的訓(xùn)練樣本，用待判別的后4根錨桿數(shù)據(jù)作為測(cè)試樣本，并將測(cè)得的結(jié)果和前10根錨桿期望輸出作比較判斷其為正常錨桿還是缺陷錨桿。自適應(yīng)閾值前饋修剪型網(wǎng)絡(luò)預(yù)測(cè)得的結(jié)果和前人用BP網(wǎng)絡(luò)預(yù)測(cè)的結(jié)果作對(duì)比，結(jié)果如表5所示。

表5 網(wǎng)絡(luò)結(jié)構(gòu)預(yù)測(cè)對(duì)比結(jié)果

測(cè)得的輸出值幾乎都為(1,0)，所以后4根錨桿均為正常錨桿。與文獻(xiàn)[16]中BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值對(duì)比準(zhǔn)確度更高，分類效果更好。通過(guò)誤差比較，修剪型神經(jīng)網(wǎng)絡(luò)的誤差值明顯降低，因此，修剪型神經(jīng)網(wǎng)絡(luò)對(duì)錨桿錨固的識(shí)別效果更高，精度更準(zhǔn)。

本文分別從自適應(yīng)閾值和固定閾值、自適應(yīng)修剪型網(wǎng)絡(luò)和固定網(wǎng)絡(luò)結(jié)構(gòu)對(duì)工程案例中的14組數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，對(duì)比結(jié)果如表6和表7所示。

表6 自適應(yīng)閾值和固定閾值對(duì)比結(jié)果

表7 網(wǎng)絡(luò)結(jié)構(gòu)對(duì)比結(jié)果

表6閾值比較、表7網(wǎng)絡(luò)結(jié)構(gòu)兩個(gè)方面對(duì)比結(jié)果表明在錨桿錨固缺陷識(shí)別中自適應(yīng)閾值前饋神經(jīng)網(wǎng)絡(luò)修剪算法在訓(xùn)練和測(cè)試時(shí)具有較高的識(shí)別效果和測(cè)試精度，并且能夠簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)，刪除網(wǎng)絡(luò)中的冗余節(jié)點(diǎn)。

4 結(jié) 論

本文在研究錨桿錨固缺陷識(shí)別的基礎(chǔ)上，結(jié)合人工神經(jīng)網(wǎng)絡(luò)自組織、自學(xué)習(xí)能力的特點(diǎn)。提出一種自適應(yīng)閾值前饋神經(jīng)網(wǎng)絡(luò)修剪算法對(duì)錨桿缺陷進(jìn)行分類識(shí)別，通過(guò)模擬實(shí)驗(yàn)和工程實(shí)例對(duì)該算法進(jìn)行了驗(yàn)證，得出以下結(jié)論：

自適應(yīng)閾值修剪算法可以根據(jù)顯著性指數(shù)和隱含層節(jié)點(diǎn)個(gè)數(shù)的變化動(dòng)態(tài)地調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，刪除網(wǎng)絡(luò)中貢獻(xiàn)值較小的隱含層節(jié)點(diǎn)，提高其泛化能力。在對(duì)錨桿錨固缺陷識(shí)別中，通過(guò)從閾值和網(wǎng)絡(luò)結(jié)構(gòu)兩面對(duì)比，自適應(yīng)修剪算法識(shí)別精度更高，誤差更小。

[1] 賀若蘭, 張平, 劉寶琛. 錨桿拉拔試驗(yàn)的理論和數(shù)值分析[J]. 巖土力學(xué), 2006(增刊2): 855-859.

HE Ruolan, ZHANG Ping, LIU Baochen. Theoretical and numerical analysis of bolt pullout test[J].Rock and soil mechanics, 2006(Sup2): 855-859.

[2] 朱自強(qiáng), 何現(xiàn)啟. 全長(zhǎng)錨固錨桿拉拔試驗(yàn)研究[J]. 探礦工程(巖土鉆掘工程), 2005(增刊1): 115-118.

ZHU Ziqiang, HE Xianqi.Study on pullout test of full size anchoring bolt[J].Exploration Engineering (Rock & Soildrilling and Tunneling),2005(Sup1): 115-118.

[3] 蔣劍雄. 在樁基檢測(cè)中低應(yīng)變反射法與鉆孔取芯法的應(yīng)用[J].廣西城鎮(zhèn)建設(shè),2008(8):268-269.

JIANG Jianxiong. Application of low strain reflection method and drilling core method in pile foundation detection[J].Urban Construction in Guangxi, 2008(8):268-269.

[4] THUMER H F. Boltometer-instrument for non-destructive testing of grouted rock bolts[C]//2nd International Symposium onFiled Measurements in Geomachanices. Rotterdam,1988.

[5] 汪明武, 王鶴齡. 錨固質(zhì)量的無(wú)損檢測(cè)技術(shù)[J].巖石力學(xué)與工程學(xué)報(bào),2002,1(21):126-129.

WANG Mingwu, WANG Heling. Nondestructive testing technique of anchorage quality[J].Chinese Journal of Rock Mechanics and Engineering, 2002,1(21):126-129.

[6] 汪明武, 王鶴齡. 聲頻應(yīng)力波在錨桿錨固狀態(tài)檢測(cè)中的應(yīng)用[J].地質(zhì)與勘探,1998,4(34):56-58.

WANG Mingwu, WANG Heling. The application of audio frequency stress wave in theanchoring of state detection[J]. Geology and exploration, 1998,4(34):56-58.

[7] 汪明武, 王鶴齡, 羅國(guó)煜, 等. 錨桿錨固質(zhì)量無(wú)損檢測(cè)的研究[J].工程地質(zhì)學(xué)報(bào),1999,1(7):72-76.

WANG Mingwu, WANG Heling, LUO Guoyu, et al. Research on nondestructive testing of anchorage quality of anchor bolts[J].Journal of Engineering Geology, 1999,1(7):72-76.

[8] 李義, 王成. 應(yīng)力反射波法檢測(cè)錨桿錨固質(zhì)量的實(shí)驗(yàn)研究[J].煤炭學(xué)報(bào),2000,2(25):160-164.

LI Yi, WANG Cheng. Experimental study on the detection of anchorage quality of anchor rod by stress reflection wave method[J].China Coal Society, 2000,2(25):160-164.

[9] 王猛, 李義, 董嘉. 應(yīng)力波法錨桿錨固質(zhì)量無(wú)損檢測(cè)現(xiàn)場(chǎng)實(shí)驗(yàn)研究[J]. 煤炭技術(shù), 2013, 32(1): 203-204.

WANG Meng, LI Yi, DONG Jia.Field experimental study on ondestructive testing of anchorage quality of anchor bolt by stress wave method[J]. China Coal Society, 2013, 32(1): 203-204.

[10] LE C Y, DENKER J S,SOLLA S A. Optimal brain damage[C]// Advances in Neural Information Processing System.San Mateo,CA:Morgan Kauffman,1990,2:598-605.

[11] HASSIBI B, STROK D G. Second order derivativs for network pruning:optimal brain surgeon[C]// Advances in Neural Information Processing System.San Mateo,CA:Morgan Kauffman,1993,5:164-171.

[12] 李倩, 王永縣, 朱友芹.人工神經(jīng)網(wǎng)絡(luò)混合剪枝算法.清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2005,45(6):831-834.

LI Qian, WANG Yongxian, ZHU Youqin. Hybrid pruning algorithm for artificial neural network training[J].Journal of Tsinghua University(Natural Science), 2005,45(6):831-834.

[13] PHILIPPE L, ERIC F, THIERRY A M. A node pruning algorithm based on a Fourier amplitude sensitivity test method[J]. IEEE Transactions on Neural Networks, 2006, 17(2): 273-293.

[14] 喬俊飛, 李淼, 劉江. 一種神經(jīng)網(wǎng)絡(luò)快速修剪算法[J].電子學(xué)報(bào),2010,4(38):831-834.

QIAO Junfei, LI Miao, LIU Jiang. A fast pruning algorithm for neural networks[J]. Chinese Journal ofelectronics, 2010,4(38):831-834.

[15] 喬俊飛, 張穎. 一種多層前饋神經(jīng)網(wǎng)絡(luò)的快速修剪算法[J].智能系統(tǒng)學(xué)報(bào),2008,3(2):206-210.

QIAO Junfei, ZHANG Ying. A fast pruning algorithm for multi layer feedforward neural networks[J]. CAAI Transactions on Intelligent Systems, 2008,3(2):206-210.

[16] 許明, 張永興, 陰可. 某隧道錨桿完整性的無(wú)損檢測(cè)方法[J]. 土木工程學(xué)報(bào),2004,5(37):78-80.

XU Ming. ZHANG Yongxing, YIN Ke. Study on nondestructive detection of bolts’ integrality in a tunnel[J]. China Civil Engineering Journal, 2004,5(37):78-80.