论文部分内容阅读
摘 要：在超声缺陷识别系统中，端点检测是确保缺陷准确识别的重要环节。为提高在实际探伤过程中端点检测的准确率，提出一种以果蝇算法优化支持向量机的端点检测方法。针对超声检测信号的特点，采用小波包变换提取反映该信号性质的特征向量。鉴于传统方法检出率不高及支持向量机（SVM）参数难确定的问题，利用果蝇算法（FOA）优化SVM的惩罚子和核参数，提高支持向量机建模准确度。试验结果表明：FOA-SVM模型的平均检出率达到97.5%，端點检测效果明显优于传统的双门限法、普通SVM模型和GA-SVM模型。
关键词：端点检测；果蝇算法；支持向量机；小波变换
文献标志码：A 文章编号：1674-5124（2016）05-0103-04
Abstract： Endpoint detection is an important step to ensure accurate identification in the ultrasonic defect recognition system. In order to improve the accuracy of endpoint detection during actual flaw detection， an endpoint detection method using fruit fly optimization Algorithm （FOA）-support vector machine （SVM） has been proposed. Based on the characteristics of ultrasonic detection signals， wavelet transform was applied to extract the feature vector that reflects the nature of these signals. As the common double-threshold method is low in detection rate and the parameters of the SVM are difficult to determine， the FOA was used to optimize the penalty factor and kernel parameter of the SVM to improve the precision of the SVM. The experimental results show that the average detection rate of FOA-SVM is 97.5%. The endpoint detection effect significantly outperforms that of the traditional double threshold method and common SVM and GA-SVM models.
Keywords： endpoint detection； FOA； SVM； wavelet transform
0 引 言
对材料及时检测和缺陷识别，并采取一定的预防措施可以减少事故发生。目前，端点检测是提高缺陷识别准确率的重要环节，由于超声检测信号是一种具有突变性的非线性、不平稳信号，端点检测需要排除噪声段或无用回波段，找出包含真实缺陷信号的起止点，从而准确提取出有用的缺陷回波信号。
文献[1]通过短时能量与过零率双门限对光纤周界安防系统中扰动信号进行端点检测，提高了系统准确度。文献[2]采用基于希尔伯特-黄变换和顺序统计滤波的检测方法，在低信噪比情况下有效检测语音信号。近年来，随着非线性理论不断发展，神经网络和支持向量机等算法被应用到端点检测中，但神经网络检测率并不高，而且支持向量机参数难以确定[3]。文献[4]利用小波分析提取语音信号能量，并用粒子群优化神经网络进行端点检测，有效降低了虚检率和漏检率。文献[5]采用支持向量机和复合特征进行语音端点检测，比传统语音端点检测效果更好。目前主要有遗传算法、粒子群算法优化神经网络或者支持向量机的参数来提高检测率，但均存在很多缺陷。
神经网络在训练模型时容易陷入局部最优，而支持向量机具有模型稳定和预测精度高的优点，在优化时遗传算法应用最多，但具有收敛速度慢和容易局部最优等缺点，粒子群算法虽然收敛速度快，但同样存在局部最优问题。果蝇算法[6]源于果蝇觅食行为，计算简单、收敛速度快、准确度高，已经成功应用到很多领域。与粒子群算法相比，由于寻优过程不同，要获得最优解的迭代次数也不相同，为提高超声检测信号端点检测率，本文采用果蝇算法优化支持向量机应用到端点检测领域，采用果蝇算法对支持向量机的两个参数进行全局寻优，提出一种小波包变换和果蝇算法优化支持向量机的端点检测模型，通过建立端点检测模型和果蝇过程寻优，验证该方法的可行性和有效性。
1 传统双门限端点检测方法
现代端点检测方法主要分为时域方法和频域方法。而传统采用的双门限法就是时域方法，即短时能量和短时过零率两个参数。通过设定两个门限，对输入信号进行端点检测，当输入信号参数大于设定门限，并且可以持续一段时间则认为该点为起点；当参数小于设定门限，并且同样持续一段时间，那么认为该点为终点，从而确定端点检测位置。
1.1 短时能量法
在现场探伤过程中，超声检测信号是有用回波信号和无用噪声信号的结合，而噪声信号能量往往较大程度低于超声回波信号，因此在保证检测时信噪比不变的情况下，通过设定短时能量作为门限值就可以将有用的超声回波信号提取出来。n时刻的短时能量[7]定义为
En=■[x（m）w（n-m）]2=
■x（m）w（n-m）2（1） 式中：x（m）——原始信号采样序列；
w（n-m）——窗函数；
N——窗长。
但在实际中往往需要结合短时能量和短时过零率，进行端点检测来降低误检率。
1.2 短时过零率法
短时过零率法是信号频域分析方法，是指每帧信号内过零点的次数，即采用信号点正负符号的变换次数，通过反应其频谱特性的方法将有用超声回波信号提取出来。n时刻短时过零率[8]计算公式为
Zn=■sgn[x（m）]-sgn[x（m-1）]w（n-m）=
■{sgn[x（m）]-sgn[x（m-1）]w（n-m）}
（2）
式中：m——窗的起点；
N——帧的长度；
sgn——符号函数。
传统上将短时能量和短时过零率结合起来进行端点检测，在超声波探伤过程中，如果检测缺陷太小，反射回波与噪声相差不大时，该方法往往误检率很高，因此本文采用一种非线性端点检测方法FOA-SVM模型，来提高整体检测性能。
2 FOA-SVM端点检测模型
端点检测包括数据预处理、提取特征值、建立模型和优化模型。首先将数据进行分帧，人工挑选出噪声信号帧和有用信号帧，采用小波变换提取各帧特征值，并用建立好的端点检测模型进行训练与测试，模型结构如图1所示。
2.1 信号预处理及特征提取
2.1.1 信号预处理
为采集真实的超声检测缺陷信号，通过超声波发生接收器CTS-8077PR与示波器DPO2012连接，用中心频率为5 MHz，直径为10 mm的直探头采集5组平底孔缺陷信号，其中一组信号如图2所示。
由图可知，超声检测到的原信号包含始波、缺陷波和反射底波。为进行缺陷识别需要将始波和反射底波去除，只对缺陷波进行处理。由于超声检测信号是非线性、不平稳信号，在短时间内看作是相对平稳的，对采集到的超声信号序列数据进行分帧处理，帧长为50，帧移为25，该信号数据长度为2 000，因此一组数据共分80帧。
2.1.2 小波特征提取
为取得超声检测信号的特征值，本文采用db2小波对每帧采样数据进行3层小波包分解，并计算不同尺度上的各频带平均能量[9]作为特征值：
Ei=■■si（n）（3）
式中：si（n）——各频带小波系数；
N——小波系数个数。
通过小波分析可以提取8个特征数，人工整理得到代表无用信号的帧数为50帧，超声回波信号的帧数为30帧，分别构建特征向量：Z（n）=[E1，E2，…，E8]T。
2.2 FOA-SVM模型
本文在建立支持向量机模型时，采用果蝇算法对支持向量机进行优化，取最终测试集数据和预测集数据误差最小时的c和g两个参数，并对采样数据进行端点检测验证。
2.2.1 FOA-SVM模型建立
Vapnik等提出的支持向量机结构较简单、学习速度快、全局最优、泛化性好，但是SVM的性能与核参数的选取密切相关，通常调整参数的方法是采用交叉验证法，该方法不仅计算量大，推广性差，而且当核参数的个数超过2个时，该方法是难以奏效的。
1）数学模型。支持向量机是一种适合研究在有限样本情况下机器学习规律的理论，可以较好地解决小样本、高维数、非线性和局部极小点等实际问题。当对n个样本进行两类分类时，设样本集为（xi，yi），i=1，2，…，n，xi∈Rm，yi∈{+1，-1}。其中xi为类属性，yi为类标记，n为数据个数。
支持向量机就是把输入向量映射到高维空间，寻找最优的超平面，最优准则为两类之间间隔的宽度最大。分类超平面定义为[10]
f（x）=■yiaik（x，xi）+b（4）
式中：ai——拉格朗日乘子；
k（x，xi）——核函数，本文支持向量机核函数选用高斯径向基核函数k（x，xi）=exp（-■）；
b——偏置。
2）果蝇优化算法。果蝇优化算法是基于果蝇觅食行为演化而来的群智能全局优化方法。果蝇在觅食过程中依靠嗅觉捕捉弥漫在空气中的气味，通过果蝇位置计算味道浓度，然后以群体思维向味道浓度最大的位置集合，并通过反复迭代提高优化性能。
2.2.2 参数的寻优
SVM核函数参数选择的好坏将直接影响最终的SVM分类器泛化能力的优劣。理论研究表明，参数的选择能很大程度影响支持向量机的识别率。目前参数寻优方法有交叉验证寻优、PSO寻优等，传统的参数选取方法具有一定的不足，如人为选取参数取决个人经验，受人为影响较大；交叉验证法选取参数一般计算量比较大，程序也复杂。而果蝇优化算法具有很强的适应性，是一种全局最优化算法，具有很好的鲁棒性能和搜索能力，在诸多领域逐步开始应用。
影响支持向量机性能的主要参数是惩罚因子c和RBF的参数g。果蝇优化参数过程如下：
1）参数初始化。对果蝇群体位置初始化为X1和Y1都为随机数，果蝇种群规模个数为m，迭代次数为100，设定SVM参数初始值。
2）赋予每只果蝇利用自身嗅觉搜寻食物的能力，此后果蝇飞行位置为（Xi，Yi）。
X（i，：）=X1+Rraan
Y（i，：）=Y1+Rraan（5）
式中，Rraan為随机数，i=1，2，…，m。
3）计算果蝇位置的味道浓度。此时无法得知事物的确定位置，通过果蝇位置与原点的距离D（i，：），计算味道浓度判定值S（i，：）。
S（i，：）=■（6）
因SVM参数为c和g，定义c=20S（i，：），g=S（i，2）。 4）对训练样本进行2折交叉验证，避免局部最优，由训练样本中每只果蝇的位置代入味道浓度判定函数（fitniss function），可以求出果蝇味道浓度[11]。
F（i）=■■■（7）
式中：m1——交叉验证时每个训练样本中的果蝇个数；
yij——定义类型标签；
f（xij）——交叉验证样本的预测值。
5）寻找果蝇味道浓度中最低的果蝇max（F），并保存最佳味道浓度Fbest和相应位置。
6）其他果蝇利用嗅觉寻找该位置后以捷径飞往最佳味道浓度位置，寻找完毕，进行迭代寻优。重复步骤3）～步骤5），每迭代一次，判断该次味道浓度是否优于前次，若是则执行步骤6），否则继续循环直到最大迭代次数结束。
本文分别用交叉验证法、遗传算法和果蝇算法对参数进行寻优，取最终测试集数据和预测集数据误差最小时的c和g两个参数如表1所示。
2.3 FOA-SVM模型端点检测
通过对支持向量机参数进行3种方法寻优，分别得到不同的端点检测模型，应用到5组信号的每帧数据中进行检测识别，有用信号共150帧，无用信号共250帧，随机取100帧信号进行训练，对所有帧信号进行识别，其中FOA-SVM模型训练时间为2.40 s，用时最短，可见果蝇算法对支持向量机的缺点进行了改善，收敛速度快，识别结果如表2所示。
通过3种模型对400帧数据进行检测识别，本文提出的FOA-SVM检测模型用时最短，识别率最高，对训练样本可以完全识别，综合识别率达97.5%。
3 实验结果对比
针对所有样本数据进行了3种方法识别检测后，得到不同的识别准确率。为了评价本文端点检测方法的性能，将3种方法和传统双门限法对原始采样信号进行端点检测，4种方法端点检测结果如图3所示。
图中蓝色竖线为检测起点，红色竖线为检测终点，对比以上不同端点检测方法，双门限法端点检测得到的缺陷段信号丢失大量有用信号；交叉验证法SVM模型端点检测引入较多无用信号，甚至与底波检测端点交叉，效果较差；GA-SVM模型端点检测效果较好，但仍有部分缺陷回波信号丢失；FOA-SVM模型不仅有效检测出缺陷回波信号段，始波和底波信号段的端点检测效果也较好。
4 结束语
本文提出一种以果蝇算法优化支持向量机的端点检测方法。针对采集的平底孔缺陷超声检测信号，采用小波包变换提取特征向量，利用果蝇算法（FOA）优化支持向量机（SVM）的惩罚因子和核参数，成功地提高了支持向量机模型的精度，平均检出率达到97.5%，端点检测效果仍明显优于传统的双门限法、普通交叉验证法SVM模型和GA-SVM模型，具有一定的工程参考价值。但果蝇算法作为新的优化算法，与其他算法一样会存在“早熟”，局部最优问题难以完全避免，具体的改进优化方法还需在理论和实践中进一步探索。
参考文献
[1] 刘琨，何畅，刘铁根，等. 一种用于光纤周界安防系统的端点检测方法[J]. 光电子·激光，2014，25（11）：2136-2140.
[2] 卢志茂，金辉，张春祥，等. 基于HHT和OSF的复杂环境语音端点检测[J]. 电子与信息学报，2012，34（1）：213-217.
[3] SHIN J， CHANG J， KIM N. Voice activity detection based on statistical models and machine learning approaches[J]. Computer Speech & Language，2010，24（3）：515-530.
[4] 张铁威. 基于小波分析与神经网络的语音端点检测研究[J]. 电子测量与仪器学报，2013，27（6）：528-534.
[5] 张晓雷，吴及，吕萍. 基于支持向量机与多观测复合特征矢量的语音端点检测[J]. 清华大学学报（自然科学版），2011，
51（9）：1209-1214.
[6] WANG L， ZHENG X L， WANG S Y. A novel binary fruit fly optimization algorithm for solving the multidimensional knapsack problem[J]. Knowledge Based Systems，2013，48（2）：17-23.
[7] 马强，荣命哲，贾申利. 基于振动信号小波包提取和短时能量分析的高压断路器合闸同期性的研究[J]. 中国电机工程学报，2015，25（13）：149-154.
[8] WEI Y， ZHANG J. Application of finite-state vector quantization in speech endpoint detection[J]. Computer Engineering & Applications，2012，48（17）：161-163.
[9] 马杰，刘璐璐，姚勇. 小波变换超高压输电线路雷电干扰识别判据研究[J]. 中国测试，2013，39（5）：34-38.
[10] 康守强，王玉静，姜义成，等. 基于超球球心间距多类支持向量机的滚动轴承故障分类[J]. 中国电机工程学报，2014，
34（14）：2319-2325.
[11] 王長喜，王海云，王维庆，等. 基于FOA和LS-SVM的风电场风速预测研究[J]. 可再生能源，2014，32（9）：1312-1318.
[12] 郭海帆，陈建华，陈鑫友，等. 基于矢量网络分析仪功率测量的噪声系数测量方法[J]. 中国测试，2014，40（6）：35-38.
（编辑：刘杨）
关键词：端点检测；果蝇算法；支持向量机；小波变换
文献标志码：A 文章编号：1674-5124（2016）05-0103-04
Abstract： Endpoint detection is an important step to ensure accurate identification in the ultrasonic defect recognition system. In order to improve the accuracy of endpoint detection during actual flaw detection， an endpoint detection method using fruit fly optimization Algorithm （FOA）-support vector machine （SVM） has been proposed. Based on the characteristics of ultrasonic detection signals， wavelet transform was applied to extract the feature vector that reflects the nature of these signals. As the common double-threshold method is low in detection rate and the parameters of the SVM are difficult to determine， the FOA was used to optimize the penalty factor and kernel parameter of the SVM to improve the precision of the SVM. The experimental results show that the average detection rate of FOA-SVM is 97.5%. The endpoint detection effect significantly outperforms that of the traditional double threshold method and common SVM and GA-SVM models.
Keywords： endpoint detection； FOA； SVM； wavelet transform
0 引 言
对材料及时检测和缺陷识别，并采取一定的预防措施可以减少事故发生。目前，端点检测是提高缺陷识别准确率的重要环节，由于超声检测信号是一种具有突变性的非线性、不平稳信号，端点检测需要排除噪声段或无用回波段，找出包含真实缺陷信号的起止点，从而准确提取出有用的缺陷回波信号。
文献[1]通过短时能量与过零率双门限对光纤周界安防系统中扰动信号进行端点检测，提高了系统准确度。文献[2]采用基于希尔伯特-黄变换和顺序统计滤波的检测方法，在低信噪比情况下有效检测语音信号。近年来，随着非线性理论不断发展，神经网络和支持向量机等算法被应用到端点检测中，但神经网络检测率并不高，而且支持向量机参数难以确定[3]。文献[4]利用小波分析提取语音信号能量，并用粒子群优化神经网络进行端点检测，有效降低了虚检率和漏检率。文献[5]采用支持向量机和复合特征进行语音端点检测，比传统语音端点检测效果更好。目前主要有遗传算法、粒子群算法优化神经网络或者支持向量机的参数来提高检测率，但均存在很多缺陷。
神经网络在训练模型时容易陷入局部最优，而支持向量机具有模型稳定和预测精度高的优点，在优化时遗传算法应用最多，但具有收敛速度慢和容易局部最优等缺点，粒子群算法虽然收敛速度快，但同样存在局部最优问题。果蝇算法[6]源于果蝇觅食行为，计算简单、收敛速度快、准确度高，已经成功应用到很多领域。与粒子群算法相比，由于寻优过程不同，要获得最优解的迭代次数也不相同，为提高超声检测信号端点检测率，本文采用果蝇算法优化支持向量机应用到端点检测领域，采用果蝇算法对支持向量机的两个参数进行全局寻优，提出一种小波包变换和果蝇算法优化支持向量机的端点检测模型，通过建立端点检测模型和果蝇过程寻优，验证该方法的可行性和有效性。
1 传统双门限端点检测方法
现代端点检测方法主要分为时域方法和频域方法。而传统采用的双门限法就是时域方法，即短时能量和短时过零率两个参数。通过设定两个门限，对输入信号进行端点检测，当输入信号参数大于设定门限，并且可以持续一段时间则认为该点为起点；当参数小于设定门限，并且同样持续一段时间，那么认为该点为终点，从而确定端点检测位置。
1.1 短时能量法
在现场探伤过程中，超声检测信号是有用回波信号和无用噪声信号的结合，而噪声信号能量往往较大程度低于超声回波信号，因此在保证检测时信噪比不变的情况下，通过设定短时能量作为门限值就可以将有用的超声回波信号提取出来。n时刻的短时能量[7]定义为
En=■[x（m）w（n-m）]2=
■x（m）w（n-m）2（1） 式中：x（m）——原始信号采样序列；
w（n-m）——窗函数；
N——窗长。
但在实际中往往需要结合短时能量和短时过零率，进行端点检测来降低误检率。
1.2 短时过零率法
短时过零率法是信号频域分析方法，是指每帧信号内过零点的次数，即采用信号点正负符号的变换次数，通过反应其频谱特性的方法将有用超声回波信号提取出来。n时刻短时过零率[8]计算公式为
Zn=■sgn[x（m）]-sgn[x（m-1）]w（n-m）=
■{sgn[x（m）]-sgn[x（m-1）]w（n-m）}
（2）
式中：m——窗的起点；
N——帧的长度；
sgn——符号函数。
传统上将短时能量和短时过零率结合起来进行端点检测，在超声波探伤过程中，如果检测缺陷太小，反射回波与噪声相差不大时，该方法往往误检率很高，因此本文采用一种非线性端点检测方法FOA-SVM模型，来提高整体检测性能。
2 FOA-SVM端点检测模型
端点检测包括数据预处理、提取特征值、建立模型和优化模型。首先将数据进行分帧，人工挑选出噪声信号帧和有用信号帧，采用小波变换提取各帧特征值，并用建立好的端点检测模型进行训练与测试，模型结构如图1所示。
2.1 信号预处理及特征提取
2.1.1 信号预处理
为采集真实的超声检测缺陷信号，通过超声波发生接收器CTS-8077PR与示波器DPO2012连接，用中心频率为5 MHz，直径为10 mm的直探头采集5组平底孔缺陷信号，其中一组信号如图2所示。
由图可知，超声检测到的原信号包含始波、缺陷波和反射底波。为进行缺陷识别需要将始波和反射底波去除，只对缺陷波进行处理。由于超声检测信号是非线性、不平稳信号，在短时间内看作是相对平稳的，对采集到的超声信号序列数据进行分帧处理，帧长为50，帧移为25，该信号数据长度为2 000，因此一组数据共分80帧。
2.1.2 小波特征提取
为取得超声检测信号的特征值，本文采用db2小波对每帧采样数据进行3层小波包分解，并计算不同尺度上的各频带平均能量[9]作为特征值：
Ei=■■si（n）（3）
式中：si（n）——各频带小波系数；
N——小波系数个数。
通过小波分析可以提取8个特征数，人工整理得到代表无用信号的帧数为50帧，超声回波信号的帧数为30帧，分别构建特征向量：Z（n）=[E1，E2，…，E8]T。
2.2 FOA-SVM模型
本文在建立支持向量机模型时，采用果蝇算法对支持向量机进行优化，取最终测试集数据和预测集数据误差最小时的c和g两个参数，并对采样数据进行端点检测验证。
2.2.1 FOA-SVM模型建立
Vapnik等提出的支持向量机结构较简单、学习速度快、全局最优、泛化性好，但是SVM的性能与核参数的选取密切相关，通常调整参数的方法是采用交叉验证法，该方法不仅计算量大，推广性差，而且当核参数的个数超过2个时，该方法是难以奏效的。
1）数学模型。支持向量机是一种适合研究在有限样本情况下机器学习规律的理论，可以较好地解决小样本、高维数、非线性和局部极小点等实际问题。当对n个样本进行两类分类时，设样本集为（xi，yi），i=1，2，…，n，xi∈Rm，yi∈{+1，-1}。其中xi为类属性，yi为类标记，n为数据个数。
支持向量机就是把输入向量映射到高维空间，寻找最优的超平面，最优准则为两类之间间隔的宽度最大。分类超平面定义为[10]
f（x）=■yiaik（x，xi）+b（4）
式中：ai——拉格朗日乘子；
k（x，xi）——核函数，本文支持向量机核函数选用高斯径向基核函数k（x，xi）=exp（-■）；
b——偏置。
2）果蝇优化算法。果蝇优化算法是基于果蝇觅食行为演化而来的群智能全局优化方法。果蝇在觅食过程中依靠嗅觉捕捉弥漫在空气中的气味，通过果蝇位置计算味道浓度，然后以群体思维向味道浓度最大的位置集合，并通过反复迭代提高优化性能。
2.2.2 参数的寻优
SVM核函数参数选择的好坏将直接影响最终的SVM分类器泛化能力的优劣。理论研究表明，参数的选择能很大程度影响支持向量机的识别率。目前参数寻优方法有交叉验证寻优、PSO寻优等，传统的参数选取方法具有一定的不足，如人为选取参数取决个人经验，受人为影响较大；交叉验证法选取参数一般计算量比较大，程序也复杂。而果蝇优化算法具有很强的适应性，是一种全局最优化算法，具有很好的鲁棒性能和搜索能力，在诸多领域逐步开始应用。
影响支持向量机性能的主要参数是惩罚因子c和RBF的参数g。果蝇优化参数过程如下：
1）参数初始化。对果蝇群体位置初始化为X1和Y1都为随机数，果蝇种群规模个数为m，迭代次数为100，设定SVM参数初始值。
2）赋予每只果蝇利用自身嗅觉搜寻食物的能力，此后果蝇飞行位置为（Xi，Yi）。
X（i，：）=X1+Rraan
Y（i，：）=Y1+Rraan（5）
式中，Rraan為随机数，i=1，2，…，m。
3）计算果蝇位置的味道浓度。此时无法得知事物的确定位置，通过果蝇位置与原点的距离D（i，：），计算味道浓度判定值S（i，：）。
S（i，：）=■（6）
因SVM参数为c和g，定义c=20S（i，：），g=S（i，2）。 4）对训练样本进行2折交叉验证，避免局部最优，由训练样本中每只果蝇的位置代入味道浓度判定函数（fitniss function），可以求出果蝇味道浓度[11]。
F（i）=■■■（7）
式中：m1——交叉验证时每个训练样本中的果蝇个数；
yij——定义类型标签；
f（xij）——交叉验证样本的预测值。
5）寻找果蝇味道浓度中最低的果蝇max（F），并保存最佳味道浓度Fbest和相应位置。
6）其他果蝇利用嗅觉寻找该位置后以捷径飞往最佳味道浓度位置，寻找完毕，进行迭代寻优。重复步骤3）～步骤5），每迭代一次，判断该次味道浓度是否优于前次，若是则执行步骤6），否则继续循环直到最大迭代次数结束。
本文分别用交叉验证法、遗传算法和果蝇算法对参数进行寻优，取最终测试集数据和预测集数据误差最小时的c和g两个参数如表1所示。
2.3 FOA-SVM模型端点检测
通过对支持向量机参数进行3种方法寻优，分别得到不同的端点检测模型，应用到5组信号的每帧数据中进行检测识别，有用信号共150帧，无用信号共250帧，随机取100帧信号进行训练，对所有帧信号进行识别，其中FOA-SVM模型训练时间为2.40 s，用时最短，可见果蝇算法对支持向量机的缺点进行了改善，收敛速度快，识别结果如表2所示。
通过3种模型对400帧数据进行检测识别，本文提出的FOA-SVM检测模型用时最短，识别率最高，对训练样本可以完全识别，综合识别率达97.5%。
3 实验结果对比
针对所有样本数据进行了3种方法识别检测后，得到不同的识别准确率。为了评价本文端点检测方法的性能，将3种方法和传统双门限法对原始采样信号进行端点检测，4种方法端点检测结果如图3所示。
图中蓝色竖线为检测起点，红色竖线为检测终点，对比以上不同端点检测方法，双门限法端点检测得到的缺陷段信号丢失大量有用信号；交叉验证法SVM模型端点检测引入较多无用信号，甚至与底波检测端点交叉，效果较差；GA-SVM模型端点检测效果较好，但仍有部分缺陷回波信号丢失；FOA-SVM模型不仅有效检测出缺陷回波信号段，始波和底波信号段的端点检测效果也较好。
4 结束语
本文提出一种以果蝇算法优化支持向量机的端点检测方法。针对采集的平底孔缺陷超声检测信号，采用小波包变换提取特征向量，利用果蝇算法（FOA）优化支持向量机（SVM）的惩罚因子和核参数，成功地提高了支持向量机模型的精度，平均检出率达到97.5%，端点检测效果仍明显优于传统的双门限法、普通交叉验证法SVM模型和GA-SVM模型，具有一定的工程参考价值。但果蝇算法作为新的优化算法，与其他算法一样会存在“早熟”，局部最优问题难以完全避免，具体的改进优化方法还需在理论和实践中进一步探索。
参考文献
[1] 刘琨，何畅，刘铁根，等. 一种用于光纤周界安防系统的端点检测方法[J]. 光电子·激光，2014，25（11）：2136-2140.
[2] 卢志茂，金辉，张春祥，等. 基于HHT和OSF的复杂环境语音端点检测[J]. 电子与信息学报，2012，34（1）：213-217.
[3] SHIN J， CHANG J， KIM N. Voice activity detection based on statistical models and machine learning approaches[J]. Computer Speech & Language，2010，24（3）：515-530.
[4] 张铁威. 基于小波分析与神经网络的语音端点检测研究[J]. 电子测量与仪器学报，2013，27（6）：528-534.
[5] 张晓雷，吴及，吕萍. 基于支持向量机与多观测复合特征矢量的语音端点检测[J]. 清华大学学报（自然科学版），2011，
51（9）：1209-1214.
[6] WANG L， ZHENG X L， WANG S Y. A novel binary fruit fly optimization algorithm for solving the multidimensional knapsack problem[J]. Knowledge Based Systems，2013，48（2）：17-23.
[7] 马强，荣命哲，贾申利. 基于振动信号小波包提取和短时能量分析的高压断路器合闸同期性的研究[J]. 中国电机工程学报，2015，25（13）：149-154.
[8] WEI Y， ZHANG J. Application of finite-state vector quantization in speech endpoint detection[J]. Computer Engineering & Applications，2012，48（17）：161-163.
[9] 马杰，刘璐璐，姚勇. 小波变换超高压输电线路雷电干扰识别判据研究[J]. 中国测试，2013，39（5）：34-38.
[10] 康守强，王玉静，姜义成，等. 基于超球球心间距多类支持向量机的滚动轴承故障分类[J]. 中国电机工程学报，2014，
34（14）：2319-2325.
[11] 王長喜，王海云，王维庆，等. 基于FOA和LS-SVM的风电场风速预测研究[J]. 可再生能源，2014，32（9）：1312-1318.
[12] 郭海帆，陈建华，陈鑫友，等. 基于矢量网络分析仪功率测量的噪声系数测量方法[J]. 中国测试，2014，40（6）：35-38.
（编辑：刘杨）