《表3 归一化后样本输入向量测试结果》
从图8可以看出,在该网络训练之后,梯度已经达到最小值,并且此时的训练误差非常小。为了验证该网络的准确性,对网络模型进行了测试,测试数据为之前选用的9组测试样本数据,测试结果(特征值)如表3所示。从表3中可以看出,网络的实际输出与预期输出基本是一致的,进一步证明了此类型BP神经网络模型是可靠的,能够准确地对储油罐中不同介质超声信号进行识别与分类。
图表编号 | XD00210274100 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.31 |
作者 | 陈志恒、罗文斌、常俊杰、钟海鹰、吴中权、郑阳 |
绘制单位 | 南昌航空大学无损检测技术教育部重点实验室、南昌航空大学无损检测技术教育部重点实验室、中国特种设备检测研究院、南昌航空大学无损检测技术教育部重点实验室、日本探头株式会社日本、浙江清华长三角研究院、南昌航空大学无损检测技术教育部重点实验室、南昌航空大学无损检测技术教育部重点实验室、中国特种设备检测研究院 |
更多格式 | 高清、无水印(增值服务) |