《表1 缺陷1信号特征量的前5个主成分特征值》
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》
从图2可知,3种缺陷在前30个频段内的能量分布明显存在差异,说明频段能量分布可以作为区分缺陷类型的特征量。根据对缺陷信号提取的频段能量占比,每个缺陷信号最终可以得到30个特征量。对此3种缺陷共取150个信号(各缺陷分别取50个)进行同样的特征量提取,最后可以得到一组150×30的联合特征量矩阵。为了提高数据的分析效率以及降低数据信号的冗余度,使用PCA主成分分析方法对联合特征量矩阵进行降维处理得到融合特征量。首先根据式(2)将数据标准化预处理,然后根据式(3)~(6)分别得出其相关系数矩阵、特征值、对应的特征向量、特征贡献率和特征累计贡献率。最后将其全部特征值按由大到小的顺序依次排列,并根据特征累计贡献率大于90%的特征值个数便可得到特征向量的主分量。缺陷1信号特征量的前5个主成分特征值、贡献率和累计贡献率如表1所示。
图表编号 | XD008699100 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) |