《表2 3种缺陷的分类结果》
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
《一种基于小波包和主成分分析的超声信号特征提取方法》
针对150组数据进行PCA降维后获得的特征融合量,以及未经PCA处理的联合特征量,分别取缺陷1信号30组,缺陷2信号30组,缺陷3信号30组组成训练样本,剩下的60组样本组成测试样本。将缺陷1、缺陷2和缺陷3的信号特征融合量进行类型编码,3种类型的编码分别为100、010和001。将样本归一化后输入BP神经网络进行训练和识别。文章构建的BP神经网络的具体结构为:输入层、隐含层及输出层[2],包括的神经元个数分别为2,10,3。选取函数log-sigmoid作为神经网络传递函数,训练次数设为1 000次,训练误差值为0.01。经过神经网络训练后,未经PCA处理的联合特征量经过380步训练达到了性能参数要求,PCA处理后的融合特征量经过97步训练就已经达到了参数要求,测试结果如表2所示。
图表编号 | XD008698900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.10 |
作者 | 肖力伟 |
绘制单位 | 南昌航空大学无损检测技术教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |