基于粗神经网络和特征提取的ECT流型辨识

收稿日期收稿日期 2014 10 23 基金项目基金项目 辽宁省自然科学基金项目 20102082 资助 作者简介作者简介 刘延东 1988 男 辽宁大连人 硕士 实验员 主要研究层析成像技术和检测技术 基于粗神经网络和特征提取的 ECT 流型辨 识 刘延东 1 李惠强2 何在刚2 刘浩仟2 陈玲2 郑静娜2 郑斯文3 1 辽宁大学轻型产业学院 辽宁 沈阳 110036 2 辽宁大学物理学院 辽宁 沈阳 110036 3 沈阳计量测试院 辽宁 沈阳 110179 摘要摘要 针对目前电容层析成像技术流型辨识精度低的问题 本文提出一种基于粗神经网络 与特征提取相结合的方法来辨识两相流流型 该方法首先根据电容层析成像系统和流型的 特点来处理电容测量数据 从而完成对各种流型特征的提取 其次对粗神经网络的结构进 行设计 并利用典型流型特征参数训练粗神经网络 然后利用此粗神经网络对流型进行辨 识 最后进行仿真实验 仿真实验结果表明此种方法较传统的 BP 神经网络具有较高的识别 精度 这也为 ECT 流型辨识的研究提供了一个新的途径和手段 关键词关键词 电容层析成像 ECT 粗神经网络 RNN 特征提取 流型辨识 Flow pattern identification based on feature extraction and Rough Neural Network for Electrical Capacitance Tomography LIU Yan dong1 LI HUI qiang2 HE Zai gang2 LIU Hao qian2 CHEN Ling2 ZHENG Jing na2 ZHENG Si wen3 1 Light Industry College Liaoning University Shenyang Liaoning 110036 China 2 College of Physics Liaoning University Shenyang Liaoning 110036 China 3 Shenyang Metrology Testing Institution Shenyang Liaoning 110179 China Abstract In response to the inaccuracy of flow pattern identification by Electrical Capacitance Tomography a new method is put forward that combines rough neural network with feature extraction to identify the two phase flow patterns Firstly this method according to the Electrical Capacitance Tomography system and the characteristics of flow pattern to handle capacitance measurements thus complete the features of various flow pattern extraction Secondly the structure of rough neural network to carry on the design and use the features parameters of typical flow pattern to train the rough neural network and then using this rough neural network to identify flow pattern Finally the simulation experiment The simulation experimental results indicate that this method compared with the traditional BP neural network has high identification accuracy this also for the research of ECT flow pattern identification provides new ways and means Key words Electrical capacitance tomography Rough Neural Network feature extraction flow pattern identification 1 引言 电容层析成像技术 1 2 是近年发展起来的一项新的检测技术 电容层析成像 技术 ECT 因其结构简单 技术成本低 安全性能好等优点而具有广阔的发 展前景 成为流动层析成像技术研究的主要趋势 其中 两相流的流型识别就 是研究电容层析成像的一个目的 也就是流型辨识 流型是指管道中流体的结 构和流动形态 在气固两相流系统中 通过研究流型辨识不仅可以分析流型对 流量 介电分布等参数测量的影响 而且对气力输送系统进行实时控制等也是很 有必要的 因此研究流型辨识具有重要的现实意义 目前已提出的基于 ECT 系 统的流型识别算法主要有 K 近邻算法 3 神经网络法 4 特征提取法 5 6 以及其 它算法 7 K 近邻算法具有实现简单 无需数据训练的优点 但是该方法计算 需要大量的时间 实时性不高 神经网络法可以有效解决 ECT 系统的软场问 题 实现测量数据和流型类别之间的复杂非线性映射 但是该方法训练时间长 训练时需要的数据较多 特征提取算法是通过提取原始测量数据的特征信息进 行流型辨识 由于该方法需要人工选取特征参数和形成逻辑判据 因此有很大 的局限性 虽然可以识别简单的流型 但是对于较多稍复杂的流型识别效果不 好 基于此 本文提出一种基于粗神经网络 RNN 神经网络和特征值提取的 流型辨识方法 2 流型辨识的基本原理 典型的 ECT 系统由电容传感器系统 数据采集系统 成像计算机三个基本 部分组成 2 如图 1 所示 ECT 系统的工作原理是 电容传感器阵列由管道周 围排列的若干电容极板 通常为 8 极板或 12 极板 组成 每两个极板组成一个二 端子电容 当管道内的介质分布发生变化时会引起极板组成的电容随之发生变 化 根据电容值的变化可以实现管道内部介质分布的重建 从而实现多相流参 数的检测 测量数据 控制信号 数据采集系统 成像计算机 电容传感器阵列 1 2 3 4 5 67 8 极板 图 1 ECT 系统结构图 对于气固两相流体来说 当其经充分发展而形成稳定流态后 管道截面上 的介质分布也就随之固定了 典型的两相流流型有层流 环流 核心流 均匀 流 满管和空管等 不同的流型在管道截面上均对应不同的介质分布 在 ECT 系统中 通过电容传感器阵列采集到的电容数据就直接反映了管道截面的介电 常数分布 因此可以把这些电容数据作为判别流型的依据 个极板的 ECT 系统可提供个电容测量值 所以 8 极板 ECT 系P 1 2P P 统可提供 28 个电容测量值 对于 ECT 系统测得的电容数据 为了得到反映介 质的电容变化量和减少计算中的误差 并使数据无量纲化 采用线性函数来归 一化极板间电容值 采用如下定义形式 i j 1 ml hl Ci jC i j C i jC i j 其中 是极板间的电容 是满管时极板间的电容 m Ci j i j h C i j i j 是空管时极板间的电容 当 当 l C i j i j ml Ci jC i j 0 时 本文中采用的电容数据都是经过归一化处理后得到 hl C i jC i j 1 的 3 基于粗神经网络和特征提取的两相流流型辨识 3 1 粗神经网络原理 近年来 张兆礼等人在粗集理论和神经网络的基础上建立粗神经网络 RNN 8 粗神经网络克服了传统神经网络每一个神经元的输出都是一个精确 的值的缺点 在实际应用中 粗神经网络不仅能解决传统神经网络所能解决的 问题 且可应用于神经元的输出不只是一个数值的情况 这样就可以提高神经 网络的抗噪能力 目前 研究人员已经在数据融合 9 故障诊断 10 危机预警 11 智能交通 12 等诸多领域对粗神经网络开展了广泛的应用研究 粗神经网络与传统的神经网络最大的不同在于 每个粗神经元由一对神经 元 上 下神经元 组成 两个粗神经元之间有 4 种基本连接方式及多种组合连 接方式 它的输入与输出可以是在一定范围内变化的数值 也可以是两个值 但是必须满足上神经元输出大于下神经元的输出 13 两个神经元的基本连接方 式如图 2 所示 常见组合如图 3 所示 ui li lj lj ui li uj lj ui li uj lj ljli ujuj a b c d 图 2 粗神经元的基本连接方式 ui li uj lj ui li uj lj ui li uj lj a b c 图 3 粗神经元的组合连接方式 粗神经元 j 的输入计算如下 2 jijiiji j uuuulul i InputwOutputwOutput 3 jijiiji j llllulu i InputwOutputwOutput 其中 i 是和 j 相连接的粗神经元 4 max jjjjj uuuulll OutputfInputf Input 5 min jjjij luuulll OutputfInputf Input 其中 为分别为粗神经元 j 上 下层的阈值 和分别为粗神经 j u j l u f l f 元上 下层的传递函数 它们可以相同也可以不同 在本文中 和均取为 u f l f Sigmoid 函数 其表达式为 6 1 1 ul x fxf x e 则它的导函数为 1 uuu fxfxfx g 1 lll fxf xf x g 传递函数确定后 通过调整权值来改变粗神经元上下层的抑制和激励关系 在全连接的情况下 如果 则粗神经元的上下层的输出值是相 uuullull wwww 同的值 一个粗神经元便等价于有两个相同输出的传统神经元 通过设定连接权 值和选择连接方式 可以得到不同的神经元结构 3 2 ECT 流型的特征提取 不同的流型包含了不同的特征信息 区分不同的流型需要使用不同的参数 特征参数是指可用来区分流型的一种参数 本文中使用的特征参数定义如下 相邻极板对的电容均值 7 1 1 ij ij admC n 所有电容的均值 8 1 ij avmC n 相邻极板对的电容方差 2 1 ij addCadm n 9 隔 1 个极板对的电容均值 2 1 1 ij ij a mC n 10 隔 1 个极板对的电容方差 11 2 2 1 1 1 ij ij a dCa m n 隔 2 个极板对的电容均值 3 1 2 ij ij a mC n 12 相对极板的电容均值 13 41726385 1 4 fmCCCC 相对极板对的电容方差 14 2 85 2 63 2 72 2 41 4 1 fmCfmCfmCfmCfd 上边 4 个极板的电容均值 15 434232413121 6 1 4CCCCCCvmu 下边 4 个极板的电容均值 16 878676857565 6 1 4CCCCCCvmd 左边 4 个极板的电容均值 17 656454635343 6 1 4CCCCCCvml 右边 4 个极板的电容均值 18 827278817121 6 1 4CCCCCCvmr 流型特征参数定义完成之后 需要对其进行验证分析 以确定各种特征参 数可以区分的流型 例如 利用特征参数相邻极板对的电容均值 adm 可将满管 三种层流 环流与其他 3 种流型区分开 而不同层流之间的的 fm fd 差异也 比较明显 通过分析得出各特征参数包含了可以区分不同流型的特征信息 所 以 可以将这些包含特征信息的特征参数作为粗神经网络训练的数据 用以提 高神经网络的训练效率 同时保证了 ECT 图像的流型辨识精度 3 3 基于粗神经网络和特征提取的 ECT 流型辨识学习算法 使用粗粗神经网络进行流型辨识 首先应该确定神经网络的结构 即各层 神经元的个数 本文中利用粗神经网络进行流型辨识 输入层粗神经元的个数 应与提取的特征参数的个数一致 隐含层粗神经元的数量可通过网络优化来确 定 而输出层粗神经元的个数应与典型流型的个数相同 粗神经网络的输入层 和隐层 隐层和输出层之间一般都采用全联接方式 现在考虑三层粗神经网络 输入层 共 个粗神经元 隐层共il 1 2 il Lj 个粗神经元 输出层共个粗神经元 m 1 2 jm Lkn 1 2 kn L 粗神经网络输入一个样本向量后 定义粗神经网络的在线误差 或瞬时误差 为 19 22 1 1 2 k kkk n u ull k EOOOO 其中 为输出层粗神经元的个数 为神经元 n 上层的实际输出 k k u O 为神经元 n 下层的实际输出 为神经元 n 上层的理想输出 为神经元 k l O k u O k l O n 下层的理想输出 如果样本数总为 p 则输入全部样本后的总误差函数定义为 20 22 111 11 22 k kkk ppn u ull qqk ErrorEOOOO 粗神经网络的结构确定完成之后 粗神经网络的学习算法可以完全参照传 统 BP 神经网络学习算法 其算法步骤实现如下 1 粗神经网络的初始化 给输入层和隐层之间的权值 隐 ijiji ji j u ul uu ll l vvvv 层和输出层之间的权值 隐层神经元的阈值层及输 j kj kj kj k u ul uu ll l wwww kk ul 出层神经元的阈值赋予 1 1 间的随机值作为权值的训练初始值 kk ul 2 将典型流型提取到的电容数据根据公式 1 归一化后作为标准样本 通 过调整介质分布和叠加随机噪声的方式来生成训练样本 为了消除高斯噪声对 输入信号的影响和提高粗神经网络算法的运行效率 需要对流型进行特征提取 将得到的 12 个特征参数作为粗神经网络的输入样本 设输入向量的模式为 同时规定神经网络的期望输出向量 输出 1122 ill pululul Xxxxxxx 层期望的输出向量中的参数与典型流型的个数相同 每个参数对应不同的流型 3 粗神经网络进行正向传播 将特征参数组成的样本向量输入粗神经 i p X 网络后 计算各层神经元的状态 其中神经元的输入根据公式 19 进行计算 神经元的输出根据公式 20 进行计算 对于上神经元和下神经元的传递函数对 数选择公式 6 的 s 型 sigmoid 传递函数用于将神经元的输入范围 映射 到 0 l 的区间上 sigmoid 对数函数是可微函数 因此很适合训练粗神经网络 4 计算神经元的期望输出与实际输出误差 由于神经网络的训练方式选 用的是批训练模式 所以控制误差应计算总误差 然后判断所有样本的 1 1 2 p q E 总误差是否小于控制误差 如果小于则为真 结束学习 否则计算权值的调整 量 直至达到要求的控制误差 5 进行权值的修正 修正输入层和隐含层之间的权值 ijiji ji j u ul uu ll l vvvv 隐含层和输出层之间的权值 修正方法参照传统的 BP 算 j kj kj kj k u ul uu ll l wwww 法权值的修正方法修正 修正完成后返回 3 继续学习 直至权值满足要求 每 输入一个流型的样本数据 对于隐单元到输出单元之间的连接权值修正量 利用 梯度下降原则可得到 21 j kkj j k E wx w g ggg g g 其中 为适当选定的学习率 为其中一组0 jj ju l g kk kuj j x g 电容数据的特征参数组成的输入向量输入后隐层的输出 为输出 k E l g k l g 层的输入 对于输入层到隐层之间的权值修正量 由梯度下降法可得 22 i jji i j E vea v g ggg g g 其中 为适当选定的学习率 本文中 0 ii iul gg g jj jul gg g 为其中一组电容数据特征参数组成的输入向量 为隐层的输 i ag j j E e s g g j s g 入 这样即可对权值进行实时修正 其修正公式为 w v 23 1 w Nw Nw k 24 1 v Nv Nv k 6 测试网络 对标准样本电容数据改变其介质分布和加入高斯噪声生成测 试样本 输入到粗神经网络进行测试 统计典型流型的识别率 4 仿真与实验结果 针对 8 极板 ECT 系统进行了实验 每种流型的训练样本数为 20 个 即 160 组电容数据作为粗神经网络的训练样本 将训练样本进行特征提取后得到的 12 个特征参数输入到粗神经网络进行网络训练 粗神经网络的输入层有 12 个粗神 经元 隐层有 15 个粗神经元 输出层有 8 个粗神经元 分别对应 8 个输出参数 分别代表 1 3 层流 1 2 层流 2 3 层流 核心流 环状流 空管 四满管 均匀流 训练完成后使用 160 组样本进行测试实验 实验针对 ECT 流型中的 8 种经典流型进行了实验 如图 4 所示 满管空管 1 3 层流 对每一种流型的 20 组样本进行实验得到如表 1 结果 表 1 三种不同的 ECT 流型辨识方法辨识率对比表 流型未提取特征值 BP 神经网络 基于特征提取的 BP 神经网络 基于特征提取的 粗神经网络 空管 100 100 100 满管 100 100 100 1 2 层流 80 85 90 1 3 层流 75 80 85 2 3 层 70 80 90 核心流 80 80 90 环状流 75 75 85 均匀流 70 75 80 平均识别率 81 3 84 4 90 0 由表 1 中的结果可以看出 流型进行特征提取后 无论是 BP 神经网络还是 粗神经网络都比未进行特征提取的 BP 神经网络的识别效率有了显著的提高 这 表明将训练数据经过特征提取后 样本的特征信息并没有丢失 所以对输入神 经网络的数据进行特征提取是合理的选择 在三种方案中 基于粗神经网络得 到的辨识率优于其他两种方法 说明粗神经网络在模式分类的性能上要优于 BP 网络 这跟两种网络的原理有直接关系 5 结论 本文在 ECT 流型辨识的基础上 结合粗神经网络和特征提取的基本原理 提出了一种基于特征提取和粗神经网络的 ECT 流型辨识的方法 该方法首先将 归一化后的电容值进行特征提取 然后将得到的特征参数作为粗神经网络的训 练样本 这样不但可以增强粗神经网络的抗噪能力 同时也提高了计算效率 仿真实验结果表明 基于粗神经网络的 ECT 流型辨识较其他两种方法在识别效 率上有了显著的提高 该方法对满管和空管有较高