《表2 改进的CEEMDDAN分解三种工况的特征向量》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于改进CEEMDAN-熵方法的管道泄漏工况识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

2.2中提出基于熵的特征提取，分别对能量熵、峭度熵、排列熵进行了研究，将能量熵、峭度熵、排列熵作为特征向量，可以全面刻画不同工况产生的负压波的特性，利于后续的模式识别，分别以三种工况下的一组信号为例展示特征向量如表2所示。由于支持向量机（SVM）适用于小样本数据的分类[20-21]，而现场实际输油管道能提供的泄漏样本很少，因此选用支持向量机具有较好的分类精度。构造两个支持向量机分类模型，分别用于区分泄漏和切罐，泄漏和切泵，将其命名为SVM1和SVM2。SVM1输出值为1表示泄漏，-1表示切罐；SVM2输出值为1表示泄漏，-1表示切泵。其中每种工况的22个样本用于训练模型，另外22个样本用于测试模型的分类效果。