基于ReliefF和PSO-SVM的木質(zhì)材料超聲無損分類技術(shù)

袁琪朗，周真祥，楊克己

(1. 寧波城市職業(yè)技術(shù)學(xué)院，浙江 寧波 315100；2. 浙江大學(xué) 流體動(dòng)力與機(jī)電系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 310027)

?

基于ReliefF和PSO-SVM的木質(zhì)材料超聲無損分類技術(shù)

袁琪朗1，周真祥2，楊克己2

(1. 寧波城市職業(yè)技術(shù)學(xué)院，浙江 寧波 315100；2. 浙江大學(xué) 流體動(dòng)力與機(jī)電系統(tǒng)國家重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 310027)

指出了木質(zhì)材料是一種廣泛使用的可再生原料，對(duì)其進(jìn)行正確分類可提高原料的利用率并防止在交易時(shí)欺詐行為的發(fā)生。鑒于常用木質(zhì)材料分類方法的不足和支持向量機(jī)參數(shù)選擇困難導(dǎo)致分類準(zhǔn)確率低的問題，以超聲無損檢測(cè)手段為基礎(chǔ)，提出了一種基于ReliefF特征選擇和PSO-SVM分類器的木質(zhì)材料分類新方法。該方法根據(jù)接收到的木材超聲信號(hào)，通過ReliefF算法選取出最有代表的特征，然后使用粒子群優(yōu)化算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化，提高了木質(zhì)材料的分類效率和準(zhǔn)確率。實(shí)驗(yàn)表明，基于ReliefF和PSO-SVM的方法能有效解決木質(zhì)材料的在線分類問題。

木質(zhì)材料；超聲檢測(cè)；ReliefF算法；粒子群；支持向量機(jī)

1　引言

木質(zhì)材料在建筑、家具和樂器等眾多行業(yè)中應(yīng)用廣泛[1,2]，實(shí)現(xiàn)木質(zhì)材料的有效分類，可以合理使用木材資源，提高其利用率，并確保相關(guān)產(chǎn)品真材實(shí)料、流通過程按質(zhì)論價(jià)，防止交易欺詐行為。目前，木質(zhì)材料的分類主要是在對(duì)待分類木材取樣的基礎(chǔ)上，憑借肉眼或采用顯微鏡[3]和機(jī)器視覺[4,5]等工具，根據(jù)木材樣件表面的顏色及其結(jié)構(gòu)與紋理特征，通過觀察、分析和比較而予以實(shí)現(xiàn)[6]。這些方法的有效性取決于木質(zhì)材料取樣的合理性和完備性，并屬于破壞性分類手段。因此，存在適用性差、分類效率低以及難以在木制成品材質(zhì)檢定中應(yīng)用等問題，嚴(yán)重制約它們的應(yīng)用范圍。而超聲無損檢測(cè)技術(shù)由于超聲波強(qiáng)大的穿透能力、在介質(zhì)中傳播后能攜帶出內(nèi)部豐富的信息以及其安全性和易于與信息技術(shù)相互結(jié)合等優(yōu)點(diǎn)，已成為材料定征應(yīng)用最多及最具發(fā)展?jié)摿Φ募夹g(shù)手段。如果利用該技術(shù)將超聲波入射到待分類木材內(nèi)部，通過超聲波與其傳播聲程上織構(gòu)相互作用后，可將待分類木材內(nèi)部特征信息攜帶出來，定能結(jié)合模式識(shí)別技術(shù)達(dá)到木材有效分類的目的。由于超聲無損檢測(cè)技術(shù)能夠提取全面反映木質(zhì)材料內(nèi)部組織和結(jié)構(gòu)特性的特征參數(shù)，該技術(shù)的應(yīng)用必將賦予相關(guān)方法準(zhǔn)確高效、強(qiáng)適用性、低成本和非破壞性等的木材分類能力[7]，解決傳統(tǒng)方法依賴于取樣及其表面特征實(shí)現(xiàn)分類的弊端。因此，利用超聲無損檢測(cè)開展木質(zhì)材料自動(dòng)分類技術(shù)的研究具有重要的理論意義和實(shí)用價(jià)值。

基于超聲無損檢測(cè)的木質(zhì)材料自動(dòng)分類技術(shù)是在通過超聲無損檢測(cè)獲取木質(zhì)材料內(nèi)部組織和結(jié)構(gòu)特征參數(shù)的基礎(chǔ)上，利用模式識(shí)別技術(shù)實(shí)現(xiàn)木質(zhì)材料的自動(dòng)分類，牽涉到特征參數(shù)提取及模式識(shí)別兩個(gè)基本過程。對(duì)于前者，由于超聲無損檢測(cè)技術(shù)具有聲速、衰減以及相關(guān)信號(hào)的時(shí)域、頻域和時(shí)頻域等多種特征參數(shù)，如果直接利用這些參數(shù)實(shí)施分類，必然降低分類的效率，可能還影響分類的精確度。因此，如何從這些眾多的特征參數(shù)中選取出最具代表性的分類特征，是提高木質(zhì)材料分類效率和精度的關(guān)鍵。ReliefF算法是由Relief算法[8]經(jīng)Kononenko[9]擴(kuò)展而得到的一種適合于處理多類別數(shù)據(jù)的特征選擇算法，與基于搜索策略和信息論的特征選擇算法相比，具有簡單、通用和效率高等特點(diǎn)，適合解決本文木材模式識(shí)別中特征選擇的問題[10,11]。而對(duì)于后者，支持向量機(jī)(Support Vector Machine, SVM)利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理來提高其泛化能力，較好地解決了小樣本、非線性、高維度和局部極小等問題[12]，在木材識(shí)別和分類中具有良好的應(yīng)用前景。但是，由于SVM相關(guān)參數(shù)的選擇決定了其學(xué)習(xí)性能和泛化能力，進(jìn)而影響其分類的精度，因而SVM相關(guān)參數(shù)的合理選取與優(yōu)化確定是其有效識(shí)別和分類的關(guān)鍵。目前常用于SVM參數(shù)優(yōu)化的方法有梯度下降法、遺傳算法和粒子群算法等，但梯度下降法不僅穩(wěn)定性差且效率較低，遺傳算法也存在收斂速度慢和容易陷入局部最優(yōu)值的問題。而粒子群優(yōu)化(PSO)是一種模擬鳥類捕食行為的群智能搜索方法[13]，與前兩種方法相比，其不僅收斂速度快，而且易于實(shí)現(xiàn)，在神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化和函數(shù)優(yōu)化等方面已得到了成功地應(yīng)用[14]。

基于以上背景，提出一種基于ReliefF和PSO-SVM的木質(zhì)材料超聲無損分類技術(shù)。該技術(shù)以超聲無損檢測(cè)手段為基礎(chǔ)，采用透射的檢測(cè)方式，將發(fā)射與接收換能器分置于待分類木材的兩邊，在確保良好耦合的前提下，由發(fā)射換能器向木質(zhì)材料發(fā)射超聲脈沖信號(hào)，該信號(hào)在木質(zhì)材料內(nèi)部傳播過程中與其織構(gòu)相互作用后透射到達(dá)接收換能器，經(jīng)其轉(zhuǎn)換為電信號(hào)以及通過調(diào)理和數(shù)字化后，利用數(shù)字信號(hào)處理手段獲得接收信號(hào)的時(shí)域、頻域和時(shí)頻域等多種特征參數(shù)，并應(yīng)用ReliefF算法對(duì)這些特征參數(shù)進(jìn)行分析處理，選擇其中最具代表性的量作為木質(zhì)材料分類器的輸入。同時(shí)，利用PSO算法對(duì)SVM的結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化，構(gòu)造出一種基于PSO-SVM的木質(zhì)材料分類器，以達(dá)到對(duì)木質(zhì)材料實(shí)現(xiàn)無損、高精和高效分類的目的，為自動(dòng)化分類木質(zhì)材料奠定必要的技術(shù)基礎(chǔ)。

2　基于ReliefF算法的木材特征參數(shù)選擇

透射法檢測(cè)和分類木材原理如圖1所示，發(fā)射與接收換能器通過耦合劑分別與待檢木質(zhì)材料的上表面和下表面接觸，兩換能器軸線保持重合。檢測(cè)時(shí)，超聲信號(hào)柔性激勵(lì)模塊產(chǎn)生預(yù)設(shè)幅值和脈寬的方波信號(hào)Pin作為輸入，激勵(lì)發(fā)射換能器產(chǎn)生超聲波。超聲波透過上層耦合劑，垂直于待檢木質(zhì)材料表面透射進(jìn)入材料內(nèi)部，并在木質(zhì)材料內(nèi)部沿材料的彈性對(duì)稱軸傳播，在材料內(nèi)部經(jīng)歷一系列的透射和反射后，一部分超聲波透射出待分類木質(zhì)材料，經(jīng)過下層耦合劑后進(jìn)入接收換能器，得到輸出信號(hào)Eout。同時(shí)，將發(fā)射和接收換能器通過一層耦合劑對(duì)心貼緊，測(cè)取參考信號(hào)Er。通過Er自相關(guān)以及Eout與Er互相關(guān)，分別得到自相關(guān)和互相關(guān)函數(shù)最大值所對(duì)應(yīng)的時(shí)間T1和T2，可得超聲脈沖信號(hào)在木質(zhì)材料中的渡越時(shí)間為：

T0=T2-T1

(1)

圖1　木材超聲透射檢測(cè)原理

若已知待檢木材厚度為d，則木材的聲波傳播速度為：

(2)

可得單位厚度衰減(dB/mm)為：

(3)

式中Enout和Enr分別是輸出信號(hào)與參考信號(hào)的能量。

為保證分類的準(zhǔn)確性和穩(wěn)定性，除了提取具有明顯物理意義的聲速和衰減系數(shù)等聲學(xué)特征外，還應(yīng)當(dāng)充分利用超聲透射信號(hào)Eout，從時(shí)域、頻域和時(shí)頻域的角度，提取不同的特征參數(shù)。研究表明，時(shí)域波形的峰值電壓、均方根電壓、振鈴系數(shù)脈沖長度和包絡(luò)的上升時(shí)間、包絡(luò)上升斜率等特征，頻域中的平均中心頻率、帶寬、功率譜熵等特征和時(shí)頻域中小波分解各頻段的能量及小波能譜熵等特征，均可以描述超聲波在木材中傳播的不同特征和作為木材超聲分類的特征參數(shù)[15,16]。

ReliefF算法是目前公認(rèn)的性能較好的一種特征選擇評(píng)估算法，具有運(yùn)行效率高，適用性強(qiáng)，對(duì)特征間關(guān)系不敏感等優(yōu)點(diǎn)。算法從訓(xùn)練集D中隨機(jī)選擇一個(gè)樣本R，然后從和R同類樣本中找出k個(gè)最鄰近樣本(NearHit)，從每個(gè)R的不同類的樣本中均尋找k個(gè)最近鄰樣本(NearMiss)，然后根據(jù)以下規(guī)則更新每個(gè)特征的權(quán)重：如果R和NearHit在某個(gè)特征上的距離小于R和NearMiss上的距離，則說明該特征有利于區(qū)分同類和不同類的最鄰近樣本，應(yīng)增加該特征的權(quán)重；反之，如果R和NearHit在某個(gè)特征的距離大于R和NearMiss上的距離，說明該特征對(duì)區(qū)分同類和不同類的最近鄰樣本起負(fù)面作用，則降低該特征的權(quán)重，如式(4)所示：

(4)

在公式(4)中，diff(A,R,Hj)表示樣本R和Hj在特征A上的差，計(jì)算如式(5)所示；Mj(C)表示類別C中的第j個(gè)最鄰近樣本；p(C)表示第C類的目標(biāo)概率，由公式(6)給出，當(dāng)各類樣本數(shù)目大致相同時(shí)，有p(C)=1/C。

(5)

(6)

ReliefF特征選擇算法的具體步驟如下：

輸入：訓(xùn)練數(shù)據(jù)集D，樣本抽樣次數(shù)m，閾值(目標(biāo)維數(shù))d，最近鄰樣本個(gè)數(shù)k。

輸出：特征權(quán)重最大的前d(d

步驟1:置所有特征權(quán)重為 0，T為空集。

步驟2:fori=1tomdo：

①從D中隨機(jī)選擇一個(gè)樣本R；

②從R的同類樣本集中找到R的k個(gè)最近鄰樣本Hj(j=1,2,…,k)，從每一個(gè)不同類樣本集中均找出 k 個(gè)最近鄰Mj(C)；

③forA=1toN；

按照公式(4)更新權(quán)重值W(A)。

步驟3:根據(jù)各個(gè)特征的權(quán)值大小，將其依次降序排列，選擇出權(quán)值最大的前d個(gè)特征構(gòu)成特征子集T。

3　基于PSO-SVM的木質(zhì)材料分類器模型

3.1木質(zhì)材料的SVM分類器及其參數(shù)

支持向量機(jī)是一種尋找最優(yōu)分類超平面的方法，它通過最大化分類間隔來保證最好的推廣能力，并定義核函數(shù)的內(nèi)積函數(shù)來間接地實(shí)現(xiàn)對(duì)特征的線性變換，把低維空間線性不可分的問題在高維空間實(shí)現(xiàn)線性可分[17]。設(shè)提取的木質(zhì)材料訓(xùn)練樣本為{(x1,y1),…,(xi,yi),…,(XN,yN)}，xi為輸入特征向量，yi為類別標(biāo)志。對(duì)二分類問題，令yi∈{1,-1}，則存在分類超平面

g(x)=(w·x)+b=0

(7)

把所有N個(gè)木質(zhì)材料的樣本都沒有錯(cuò)誤地分開，其中w∈Rd是線性判別函數(shù)的權(quán)值。

圖2　規(guī)范化的最優(yōu)分類超平面

如圖2所示，對(duì)于某一個(gè)分類超平面g(x)，設(shè)兩類木質(zhì)材料樣本中離超平面最近樣本點(diǎn)的函數(shù)距離|g(xj)|=1，那么所有訓(xùn)練樣本都滿足

yi[(w·xi)+b]≥1,i=1,2,…,N

(8)

(9)

式(9)是一個(gè)典型的二次規(guī)劃模型，將其轉(zhuǎn)化成相應(yīng)對(duì)偶模型，即

(10)

(11)

即那些落在兩類樣本點(diǎn)的邊界上的點(diǎn)為需要求解的支持向量。則所得到的分類決策函數(shù)為:

(12)

對(duì)應(yīng)的最優(yōu)解為：

(13)

對(duì)于非線性情況，通過某一個(gè)函數(shù)φ(x)，將樣本映射到更高維度，使樣本之間稀疏化，滿足在高維空間線性可分，然后再構(gòu)建支持向量機(jī)，這時(shí)式(12)的決策函數(shù)變?yōu)?/p>

(14)

設(shè)k(xi,x)=(φ(xi)·φ(x))，則k(xi,x)稱之為核函數(shù)。SVM中較常用的核函數(shù)有多項(xiàng)式核函數(shù)、徑向基(RadialBasisFunction，RBF)核函數(shù)和Sigmoid核函數(shù)，本文選擇最為常用RBF核函數(shù)作為SVM函數(shù)，其表達(dá)式為：

(15)

其中g(shù)為核參數(shù)，它與學(xué)習(xí)樣本的輸人空間范圍或?qū)挾认嚓P(guān)，樣本輸人空間范圍越大，取值越小，反之，樣本輸人空間范圍小，取值越大。

實(shí)際上SVM不能將木質(zhì)材料的訓(xùn)練樣本集完全分離，因此需要引入松弛變量ξi，以忽略錯(cuò)分樣本的影響，求出能夠?qū)Υ蠖鄶?shù)樣本進(jìn)行分類的超平面。這樣求解超平面的問題變?yōu)?/p>

(16)

3.2基于PSO的SVM參數(shù)選擇

參數(shù)c和g的選擇決定了SVM的學(xué)習(xí)能力和泛化能力，從而影響木質(zhì)材料的分類精度。粒子群優(yōu)化算法 (particleswarmoptimization,PSO)是由Eberhart博士和Kennedy博士于1995年提出的一種通過模擬鳥群覓食行為而發(fā)展起來的隨機(jī)搜索算法，它能快速選擇出合適的核參數(shù)g和懲罰因子c，因此有效提高木質(zhì)材料的分類精度。

在PSO中，把g和c的潛在最優(yōu)解看作是二維搜索空間上一個(gè)沒有體積和重量的點(diǎn)，稱為“粒子”(Particle)。設(shè)Pi=(pi,1,pi,2)是粒子i的當(dāng)前位置，Vi=(vi,1,vi,2)是微粒i當(dāng)前的飛行速度，對(duì)g和c進(jìn)行優(yōu)化選擇的粒子群算法迭代方程如下：

vi,j(t+1)=ωvi,j(t)+c1rand1()[pbesti,j(t)-pi,j(t)]+c2rand2()[gbestj(t)-pi,j(t)]

(17)

pi,j(t+1)=pi,j(t)+vi,j(t+1)

(18)

式中，t表示迭代次數(shù)；pbesti,j(t)表示微粒i第j維度迄今為止經(jīng)歷的歷史最好位置；gbestj(t)是當(dāng)前粒子群搜索到的第j維度的最好位置，即種群最好位置；c1、c2分別為認(rèn)知學(xué)習(xí)因子和社會(huì)學(xué)習(xí)因子；rand1()、rand2()是在[0,1]上兩個(gè)相互獨(dú)立的隨機(jī)數(shù)；為慣性權(quán)重，取值區(qū)間一般為[0.7,1.2]，并采用隨迭代次數(shù)線性遞減的策略。迭代過程中取能夠直接反映SVM對(duì)木質(zhì)材料的分類性能的均方誤差(meansquareerror,MSE)作為粒子的適應(yīng)度值，MSE的定義為：

(19)

式中y是預(yù)測(cè)值，yi是實(shí)際值。

圖3為基于PSO的SVM參數(shù)優(yōu)化過程，具體算法的步驟描述如下。

圖3　粒子群優(yōu)化SVM參數(shù)流程

第1步，初始化。給定PSO算法的群體規(guī)模、學(xué)習(xí)因子c1和c2、慣性權(quán)重、最大迭代次數(shù)、粒子的初始位置和速度等；

第2步，評(píng)估每個(gè)粒子的函數(shù)適應(yīng)值。采用均方誤差評(píng)價(jià)函數(shù)MSE計(jì)算出每個(gè)粒子的適應(yīng)度，將每個(gè)粒子的個(gè)體當(dāng)前適應(yīng)值與經(jīng)歷過的最優(yōu)目標(biāo)適應(yīng)度值相比較，如果更優(yōu)，則將其作為當(dāng)前最優(yōu)目標(biāo)適應(yīng)度值；取適應(yīng)度最好的粒子所對(duì)應(yīng)的個(gè)體極值作為最初的全局極值;

第3步，根據(jù)適應(yīng)度值更新cbest和gbest；

第4步，更新粒子的慣性權(quán)重值，利用式(17)、(18)進(jìn)行迭代運(yùn)算，更新每個(gè)粒子的速度和位置值；

第5步，判斷是否滿足迭代終止的條件(達(dá)到最大迭代次數(shù)或預(yù)設(shè)的精度)，若滿足條件則終止搜索，輸出最優(yōu)參數(shù)c和g的值及最佳分類精度，否則返回第二步，進(jìn)行下一輪的迭代搜索，直到滿足迭代終止條件為止。

4　實(shí)驗(yàn)分析

本文采用一套便攜式木質(zhì)材料超聲分類系統(tǒng)，其實(shí)物照片如圖4所示。

為了驗(yàn)證基于ReliefF和PSO-SVM的超聲木材分類方法的有效性，本文使用100kHz的超聲換能器，以凡士林作為耦合劑，對(duì)家具中常見的8類木質(zhì)材料(刨花板、膠合板、密度板、白臘木、黑胡桃、花梨木、杉木和橡膠木)進(jìn)行超聲檢測(cè)和數(shù)據(jù)采集，采樣頻率為10MHz。對(duì)刨花板、膠合板和密度板這些非實(shí)木薄板材料，分別從正反面不同位置采集50組數(shù)據(jù)；對(duì)白臘木、黑胡桃、花梨木、杉木和橡膠木這些實(shí)木材料，分別從其徑向和弦向4個(gè)不同面不同位置采集50組數(shù)據(jù)，一共采集400組樣本數(shù)據(jù)。數(shù)據(jù)采集界面如圖5所示。

圖4　木質(zhì)材料超聲分類系統(tǒng)實(shí)物照片

圖5木質(zhì)材料超聲檢測(cè)數(shù)據(jù)采集界面

對(duì)采集到的400組木質(zhì)材料樣本信號(hào)分別從時(shí)域、頻域和小波分解時(shí)頻域進(jìn)行特征提取，共得到25個(gè)特征，分別為聲速、單位厚度能量衰減、均方根值、時(shí)間形心、脈沖長度、偏度系數(shù)、峭度系數(shù)、振鈴系數(shù)、包絡(luò)持續(xù)時(shí)間、包絡(luò)上升時(shí)間、包絡(luò)下降時(shí)間、包絡(luò)上升斜率、包絡(luò)下降斜率、波形峰值、平均中心頻率、平均帶寬、80～120kHz頻帶能量值、頻率形心、功率譜熵、6層小波包分解重構(gòu)信號(hào)前5個(gè)頻帶的能量百分比和小波包能譜熵。通過ReliefF算法(抽樣次數(shù)m=600,鄰近樣本數(shù)k=5)，對(duì)400組樣本產(chǎn)生的25個(gè)特征進(jìn)行評(píng)價(jià)，評(píng)價(jià)結(jié)果如圖6所示。

圖6　ReliefF算法計(jì)算的各特征分類能力的權(quán)值

利用圖6的結(jié)果，按分類能力的權(quán)值進(jìn)行排序，其中排在前10位的特征如表1所示。

從表1中可以看出，評(píng)價(jià)后的聲速和單位厚度能量衰減特征具有非常強(qiáng)的分類能力，且遠(yuǎn)大于其他特征的分類能力。實(shí)際上，通過式(1)～(3)計(jì)算聲速和單位厚度能量衰減需要參考信號(hào)和取樣厚度信息，消除厚度對(duì)特征的影響，從而具有更強(qiáng)的分類能力；其余特征的計(jì)算只需用到超聲透射信號(hào)，分類能力相對(duì)較差。聲速和單位厚度能量衰減的特征分布如圖7所示，其中橫坐標(biāo)是樣本編號(hào)，每50個(gè)樣本歸為一類共8類。

表1　提取特征按分類能力權(quán)值大小排序

圖7　不同類別木質(zhì)材料的特征分布

采用8類共400組木質(zhì)材料樣本數(shù)據(jù)，選擇分類能力強(qiáng)的前幾個(gè)特征，比較BP神經(jīng)網(wǎng)絡(luò)、SVM和PSO-SVM對(duì)木質(zhì)材料的分類結(jié)果，其中200組樣本用于訓(xùn)練，另200組用于測(cè)試。采用3層的BP網(wǎng)絡(luò)結(jié)構(gòu)(隱含層15個(gè)節(jié)點(diǎn)，輸出層8個(gè)節(jié)點(diǎn))，設(shè)置最大訓(xùn)練次數(shù)為10000次，最小均方誤差為10-6；設(shè)置SVM默認(rèn)參數(shù)為g=0.2,c=1；PSO-SVM中，粒子群規(guī)模為20，最大進(jìn)化代數(shù)為100，學(xué)習(xí)因子c1=c2=2，ωini=1.0，ωend=0.8，參數(shù)g和c的搜索范圍都設(shè)置為[0.1,100]。按分類能力從大到小選取不同特征個(gè)數(shù)時(shí)8類木質(zhì)材料200個(gè)檢驗(yàn)樣本的分類準(zhǔn)確率和訓(xùn)練后識(shí)別單個(gè)測(cè)試樣本所需時(shí)間如表2所示；當(dāng)隨機(jī)選取3個(gè)特征時(shí)，PSO-SVM的優(yōu)化參數(shù)、分類準(zhǔn)確率和識(shí)別單個(gè)樣本所需時(shí)間如表3所示。

表2的實(shí)驗(yàn)結(jié)果表明，使用粒子群優(yōu)化的支持向量機(jī)模型對(duì)木質(zhì)材料進(jìn)行分類，分類準(zhǔn)確率明顯高于BP神經(jīng)網(wǎng)絡(luò)和普通SVM，且單個(gè)樣本所需識(shí)別時(shí)間較短，能滿足木質(zhì)材料在線分類的需求；但隨著使用特征數(shù)的增加，分類所需時(shí)間明顯增加，而選擇特征數(shù)大于3個(gè)時(shí)PSO-SVM的分類精度增加非常有限，故選擇聲速、單位厚度能量衰減和平均中心頻率這3個(gè)特征的PSO-SVM分類方法，能取得比較滿意的結(jié)果。

通過隨機(jī)選取3個(gè)特征且使用PSO-SVM分類的結(jié)果與ReliefF算法選擇3特征且使用PSO-SVM分類的結(jié)果對(duì)比分析，從表2及表3可以看出使用ReliefF算法選擇相同個(gè)數(shù)的分類能力較強(qiáng)的特征，有利于顯著提高木質(zhì)材料分類的精度。

表2　不同特征數(shù)目時(shí)BP、SVM和PSO-SVM分類結(jié)果

表3　隨機(jī)選取3個(gè)特征使用PSO-SVM的分類結(jié)果

5　結(jié)論

對(duì)木質(zhì)材料進(jìn)行無損、準(zhǔn)確、快速的分類，關(guān)鍵在于分類技術(shù)手段選擇、特征的選取及分類器的設(shè)計(jì)。本文利用超聲脈沖波透射法對(duì)木質(zhì)材料進(jìn)行檢測(cè)，克服了常用木材分類方法的不足，實(shí)現(xiàn)木質(zhì)材料無損、快速的分類。通過ReliefF算法選取出最有代表性的分類能力較強(qiáng)木材超聲信號(hào)特征，降低使用特征的維數(shù)，實(shí)現(xiàn)保證分類準(zhǔn)確率同時(shí)又減少分類工作量，從而提高在線分類的效率。采用粒子群優(yōu)化算法對(duì)支持向量機(jī)進(jìn)行優(yōu)化，解決了支持向量機(jī)參數(shù)選擇的難題，明顯提高了木質(zhì)材料的分類準(zhǔn)確率。最后以家具中常見8類木質(zhì)材料的400組超聲檢測(cè)數(shù)據(jù)作為研究對(duì)象，驗(yàn)證了ReliefF算法和PSO-SVM分類模型的性能。實(shí)驗(yàn)結(jié)果表明，基于ReliefF和PSO-SVM的超聲木質(zhì)材料分類方法能有效提高木質(zhì)材料的分類精度和分類效率。

[1]劉振波,劉一星,沈雋,等. 樂器共鳴板用木材的聲學(xué)特性研究進(jìn)展[J].西北林學(xué)院學(xué)報(bào),2006,21(3):124～129．

[2]李無為.木結(jié)構(gòu)建筑工程中生態(tài)建筑材料的應(yīng)用[J].林產(chǎn)工業(yè),2013.

[3]李敏華,譚必明,黃志同,等.古家具木材無損鑒定方法研究[J].西北林學(xué)院學(xué)報(bào),2012,27(6),165～167.

[4]DIAO X M,FURUNO T,FUJITA M. Digital image analysisofcross-sectional tracheid shapes in Japanese softwoods using the circularity index and aspect ratio[J].J Wood Sci,1999,45(2)：98～105.

[5]王克奇,王業(yè)琴 ,白雪冰,等.板材圖像識(shí)別中顏色特征參數(shù)的提取[J].東北林業(yè)大學(xué)學(xué)報(bào)，2006,34(3),104～105.

[6]汪杭軍,張廣群,祁亨年,等.木材識(shí)別方法研究綜述[J].浙江林學(xué)院學(xué)報(bào),2009,26(6):896～902．

[7]尤超勤.木質(zhì)材料超聲無損定征與分類技術(shù)的研究[D].杭州:浙江大學(xué),2014

[8]Kira K,Rendell L.A.The feature selection problem: Traditional methods and a newalgorithm[J]. Proceedings of Ninth National Conference on Artificial Intelligence,1992(1):129～134.

[9]Kononenko I. Estimation attributes: analysis and extensions of RELIEF[J]. Proceedings of the 1994 European Conference on Machine Learning, 1994(1):171～182.

[10]蔣玉嬌,王曉丹,王文軍,等.一種基于PCA和ReliefF的特征選擇方法[J].計(jì)算機(jī)工程與應(yīng)用,2010,46(26):170～172.

[11]楊志新,段美君.ReliefF算法在雷達(dá)輻射源信號(hào)識(shí)別中的應(yīng)用[J].成都大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,31(2).

[12]AzarAT,El-SaidSA.Performance analysis of support vector machines classifiers in breast cancer mammography recognition[J]. Neural computing &Applications,2014,24(5).

[13]POLI R, KENNEDY J,BLACKWELL T. Particle swarmoptimization [J]. Swarmintelligence, 2007, 1(1): 33～57.

[14]BlasiL,BarbatoS,MatteiM. A particle swarm approach for flight path optimization in a constrained environment [J]. Aerospace science and technology,2013,26(1):128～137.

[15]張家凡. 振動(dòng)信號(hào)的包絡(luò)解調(diào)分析方法研究及應(yīng)用 [D]. 武漢: 武漢理工大學(xué), 2008.

[16]張訓(xùn)亞. 興安落葉松木材性質(zhì)的聲—超聲技術(shù)預(yù)測(cè)[D]. 北京：中國林業(yè)科學(xué)研究院, 2011.

[17]張學(xué)工. 模式識(shí)別[M].3版. 北京：清華大學(xué)出版社, 2010: 116～117.

Ultrasonic Non-destructiveClassification for Wood Materials Based on ReliefF and PSO-SVM

Yuan Qilang1, Zhou Zhenxiang2, Yang Keji2

(1.NingboCityCollegeofVocationalTechnology，Ningbo,Zhejiang315100；2.TheStateKeyLaboratoryofFluidPowerTransmissionandControl,ZhejiangUniversity,Hangzhou,Zhejiang310027，China)

Wood material is a widely used and renewable raw materials, which needs to be classified correctly in order to improve its utilization and avoid fraud in trading activities. Given the lack of traditional wood classification methods and the low classification accuracy resulted from difficulties of choosing suitable parameters in the Support Vector Machine, a new wood classification method was proposed in this paper combining the Ultrasonic Non-destructive Testing , ReliefF feature selection algorithm and PSO-SVM classifier.By using the ReliefF algorithm to select the most representative features from the received wood ultrasonic signal and optimizing the parameters in the Support Vector Machine with Particle Swarm Optimization algorithm, the proposed method improved the efficiency and accuracy of the classification of wood materials. The experimental results showed that, the proposed method based onReliefF and PSO-SVM could effectively solve the problem of online classification of wood materials.

wood materials; ultrasonic testing; ReliefF algorithm; particle swarm optimization (PSO); support vector machine (SVM)

2016-06-06

國家自然科學(xué)基金項(xiàng)目(編號(hào)：51175465)

袁琪朗(1965—)，男，高級(jí)工程師，從事測(cè)試技術(shù)教學(xué)與應(yīng)用研究。

楊克己(1963—)，男，博士，教授，從事機(jī)電一體化理論與技術(shù)的教學(xué)和科研。

TP273;TN911.7

A

1674-9944(2016)14-0262-06