《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》

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

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。