《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》

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

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。