1.一种基于神经网络的超声检测缺陷定性识别方法，其特征在于，包括以下步骤：步骤一、采集含噪超声信号；

步骤二、采用小波分析算法中小波包阈值降噪算法对含燥信号进行预处理,再经过互补集合经验模态分解即CEEMD分解降噪；对含噪信号进行CEEMD分解降噪的步骤为：

1)向含噪信号中加入一对正负白噪声组成的辅助白噪声，生成有用信号和噪声信号两个信号；

2)对步骤1)中的有用信号和噪声信号分别进行经验模态分解即EMD分解，得到两组固有模态函数IMF分量，这些IMF分量都是以频率大小排列整齐的，对应着不同的频率特征，每组n个IMF；

对于超声回波信号的EMD降噪算法的改进，利用超声信号回波数学模型来检验算法的效果，选取一个带有高斯白噪声的三重回波信号作为原始含噪信号，然后使用小波包降噪算法对其进行处理，再经过CEEMD分解为一系列固有模态分量，利用归一化自相关函数的特性，确定一个临界的固有模态分量，将其全部分为噪声主导部分和有用信号主导的两部分，接着对这两部分固有模态分量分别进行软阈值降噪和rigrsure规则降噪，最后再对处理后的两部分固有模态分量进行叠加重构，得到最终的信号；

3)根据设置的CEEMD分解次数N，重复N次步骤1)和步骤2)，每次加入的都是一组随机的辅助白噪声；

通过CEEMD算法进行模态分解后，得到一系列IMF,对噪声主导模态进行软阈值降噪，选取合适的阈值函数，增加衰减系数ε，0.95＜ε＜1，减少震荡，达到快速收敛的目的，改进的软阈值函数如下所示：将软阈值函数和改进的软阈值函数用MATLAB绘制，考察改进的软阈值函数式(2)当|djk|≥δ，函数式如公式(3)所示，当djk＞δ时：

当djk＜‑δ时：

当|djk|≥δ时，通过求解函数的左右极限可知，该函数以 为渐近线，随着djk的增大， 逐渐接近djk，即重构的系数与真实的系数之间偏差逐渐的减小，解决了软阈值函数 与djk之间的存在恒定偏差的问题；当djk＝±δ， 在|djk|＜δ时， 即重构的系数全部被置为零和规则阈值法相当；

4)将得到的2N组IMF分量进行平均，即得到经过CEEMD分解后生成的n个IMF；

步骤三、选取径向基函数即RBF神经网络学习样本，并建立损伤识别RBF神经网络模型；

以步骤二获取的敏感特征组作为其输入，实现超声缺陷的初步识别，①将超声检测缺陷频谱能量特征表中数据进行分组，组成为训练样本集和测试样本集；

②用训练样本集训练构造好的三层RBF神经网络；

③用测试样本集对训练完成的RBF网络进行检验，验证网络的有效性；

步骤四、超声信号损伤输出：经过M次训练后RBF神经网络达到收敛，基于学习训练好RBF神经网络对器件进行损伤检测，并输出损伤结果。