《表3 不同监测方法的准确度》

  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

《基于卷积神经网络的深孔镗削加工过程颤振监测研究》

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

特征提取的常用方法有小波变换、小波包分解（wave packet transform，WPT）和主成分分析（principal component analysis，PCA）等；模式识别常用方法有BP神经网络和SVM等。WPT+BP方法主要是利用WPT来提取信号特征，结合BP完成加工过程监测[10]；小波变换能实现信号分解提取特征，然后训练SVM分类器完成加工过程监测，能较好地实现加工过程监测[22]；试验中从信号中提取多个特征，为特征+BP方法[23]。文中网络模型方法与WPT+BP、特征+BP和小波变换+SVM方法进行比较，测试结果如表3所示，可以看到CNN的测试精度达到了99%，相对其他方法准确率更高。虽然迭代100次需要花费训练时间为0.2 h，但测试剩余的20%样本时花费时间仅为1 s，非常高效。