《表3 风险指标权重：基于核主成分和灰狼优化算法的刀具磨损状态识别》

  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

《基于核主成分和灰狼优化算法的刀具磨损状态识别》

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

常见的数据降维除了特征提取还有特征选择，遗传算法（Genetic Algorithm，GA）为最常用的特征选择方法[22]。为了对比特征提取和特征选择对模型识别效果的影响，构建GA-GWO-SVM与本文构建的KPCA-GWO-SVM模型进行对比，其中GA-GWO-SVM模型中GA的参数，即每代种群数、每代精英染色体数、交叉率、变异率和最大迭代次数分别设为28，2，0.8，0.001，40。为了进一步验证本文构建的KPCA-GWO-SVM模型的分类精度，与一些文献的刀具磨损分类模型进行对比。文献[8]采用主成分分析（Principal Components A-nalysis，PCA）对电流功率特征进行降维，并结合GS方法优化的C-SVM识别了刀具磨损的两种状态，构建了PCA-GS-SVM；文献[7]采用KPCA对切削力信号进行特征降维，并用SVM实现了刀具状态的回归预测，构建了KPCA-GS-SVM。PCA-GS-SVM和KPCA-GS-SVM的参数设置如下：PCA和KPCA的累计方差贡献阈值均设为90%，GS搜索方法的搜索范围上下限与GWO相同，SVM的核函数也设置为RBF。将上述方法在程序上运行10次并取结果的众数。比较结果如表3所示，分类结果如图8～图10所示。