《表5 支持向量机k-fold交叉验证均值Tab.5 Average recognition results using k-CV-SVM (%)》
将磨粒图像的4组形态特征、6组颜色特征及PCA压缩后3维特征分别输入SVM,并结合k-fold交叉验证对比识别结果。本文所用选取径向基函数K(xi,xj)=exp{-γ‖xi-xj‖2}作为SVM的核函数,该核函数中参数选取分别为:γ=0.07,惩罚系数C=1。将120组磨粒样本平均分为2组、4组、5组、8组、10组后分别进行交叉验证。同时为保证识别结果的可靠性,三种不同输入特征的k-fold交叉验证实验均重复实验10次,可得到150组识别结果,其统计分布如图11所示。表5列举了10组交叉验证识别结果的均值。结合图11和表5不难看出,颜色特征同形态特征相比,对三种故障磨粒具有更好的区分能力。利用PCA在特征层进行信息融合后,可明显提高识别结果的准确性,与形态特征和颜色特征相比,其识别准确率平均提高了12.61%和5.24%。表明了磨粒形态特征和颜色特征可实现一定程度的互补。同时,形态特征、颜色特征以及PCA降维后特征的识别准确率均随着k值的增大而减小,但识别结果稳定性更好。分析其主要原因是随着k值的增大,训练样本增加,测试样本减少,其识别结果越接近识别模型的真实值,因此识别结果波动幅度更小。
图表编号 | XD0022416700 严禁用于非法目的 |
---|---|
绘制时间 | 2018.06.01 |
作者 | 徐斌、温广瑞、苏宇、张志芬、陈峰、孙耀宁 |
绘制单位 | 西安交通大学机械工程学院、西安交通大学机械工程学院、新疆大学机械工程学院、西安交通大学机械工程学院、西安交通大学机械工程学院、西安交通大学机械工程学院、新疆大学机械工程学院 |
更多格式 | 高清、无水印(增值服务) |