[发明专利]一种基于霍普菲尔德神经网络的鸡蛋散黄无损检测方法

权利要求书

1.一种基于霍普菲尔德神经网络的鸡蛋散黄无损检测方法，其特征在于：利用霍普菲尔德神经网络自适应识别散黄蛋，所述方法包括以下步骤：

A.通过声卡编程控制磁致伸缩振动发生器宽频扫描，采集鸡蛋振动音频信号并传给计算机进行去噪预处理，利用经验模态分解信号得到本征模函数；

B.通过小波多分辨率分解本征模函数首要分量，对高频分量和低频分量进行阈值处理，实现信号去噪；

C.通过多重信号分类功率谱对振动信号进行分析，放大振动信号差异性，利用主成分分析提取信号特征；

D.输入提取的鸡蛋音频信号特征，通过霍普菲尔德神经网络自适应识别散黄蛋，完成鸡蛋散黄无损检测。

2.根据权利要求1所述的基于霍普菲尔德神经网络的鸡蛋散黄无损检测方法，其特征在于：

A.通过声卡编程控制磁致伸缩振动发生器宽频扫描，采集鸡蛋振动音频信号并传给计算机进行去噪预处理，利用经验模态分解信号得到本征模函数；

(1)通过声卡编程控制磁致伸缩振动发生器宽频扫描，经放大调理电路驱动磁致伸缩材料振动，并带动与之相连的探头产生相同形式的振动激励鸡蛋中部区域，由于磁致伸缩材料在磁场作用下，其长度发生变化，可发生位移而做功或在交变磁场作用可发生反复伸张与缩短，从而产生振动或声波，由话筒采集鸡蛋受到振动激励时的音频信号，并传进计算机进行分析处理，观察鸡蛋的特征频带；

(2)对振动信号进行去噪预处理，鸡蛋音频信号序列为x_i(i＝1，2，...，N)，对振动信号进行经验模态分解：

其中，C_i是各层本征模函数分量，M是分量的数量，R是余项，通过经验模态分解得到有限个频率由高至低的本征模函数，各本征模函数分量包含了原信号的不同时间尺度的局部特征信号，含有噪声的鸡蛋音频信号中，有效信号的能量主要集中在低频段，频率越高，含有的有效信号越少，因此，一定存在一个本征模函数分量，使得该分量之后的分量信号为主导模态。

3.根据权利要求2所述的基于霍普菲尔德神经网络的鸡蛋散黄无损检测方法，其特征在于：

(1)将本征模函数分量分为首要分量、高频分量和低频分量，首要分量有含有一定量的有效信号，首要分量在第j分解尺度下的细节系数：

其中，c_j(n)是低通滤波器，d_j(n)是高通滤波器，j＝1，2，…，J是信号分解层数，n、k为采样点数，对信号进行小波多分辨率分解：

其中，是小波基，设立小波系数阈值ε，去除大于阈值的小波系数，将剩余小波系数进行重构：

尺度越大，分离出的高频噪声越多，剩余的低频信号为有效信号；

(2)计算信号分量的均方误差：

其中，将N个信号分为r组，是第i组信号分量的方差，通过均方误差区分信号分量起主导作用模态与噪声起主导作用模态，将剩余本征模函数分量分为高频分量和低频分量，分别选取相应的阈值，去除噪声部分，将提取的有效信号和阈值处理后的本征模函数分量叠加重构，便实现信号去噪。