针对超声检测缺陷性质识别中准确率较低的问题,研究了一种基于BP神经网络和证据理论进行超声检测缺陷识别的方法。首先,提出了一种基于BP神经网络和证据理论的融合模型,利用BP神经网络进行特征层融合,将其输出作为证据源的概率分布函数。其次,在决策层融合中针对传统D-S证据理论易出现证据冲突的情况,考虑到不同传感器获取数据的可靠性差异,给出获取证据源可靠性因子的方法。通过引入可靠性因子λ衡量不同证据源的可靠性,使得所有证据源经过可靠性评估后再进行数据融合。最后,通过超声检测手段获取某航空材料的缺陷数据,并对提出的方法进行了验证。研究结果显示,该方法能够更加准确地进行缺陷识别,与传统D-S证据理论相比提高了缺陷识别的准确性。
数据融合 证据理论 神经网络 超声检测 证据可靠性 data fusion evidence theory neural network ultrasonic identification evidence reliability