RBF人工神經(jīng)網(wǎng)絡(luò)評(píng)估特征診斷鋁錠脫模故障
【文章頁數(shù)】:4 頁
【部分圖文】:
圖1模型建立流程
首先將采樣得到的信號(hào)分為訓(xùn)練樣本信號(hào)和測試信號(hào)兩類,前者用于模型建立過程中對RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,后者用來對模型進(jìn)行測試。隨后對訓(xùn)練樣本信號(hào)采用EMD方法進(jìn)行預(yù)處理,提取特征并計(jì)算特征的敏感度,結(jié)合神經(jīng)網(wǎng)絡(luò)對信號(hào)進(jìn)行進(jìn)一步地篩選得到敏感特征。最后將測試樣本信號(hào)的敏感特征作為輸入信....
圖2正常脫模的原始信號(hào)與分解后的前8個(gè)IMF
對采集到的聲音信號(hào)分別進(jìn)行EMD分解并提取前8個(gè)高頻IMF分量,結(jié)果如圖2-圖3所示。圖3未正常脫模的原始信號(hào)與分解后的前8個(gè)IMF
圖3未正常脫模的原始信號(hào)與分解后的前8個(gè)IMF
圖2正常脫模的原始信號(hào)與分解后的前8個(gè)IMF1.2特征信號(hào)選擇
圖4分類準(zhǔn)確率與特征數(shù)目關(guān)系
除此之外,繼續(xù)將特征作為輸入輸入到RBF人工神經(jīng)網(wǎng)絡(luò)中,得到了特征個(gè)數(shù)與分類準(zhǔn)確率的曲線,如圖4所示。通過圖4可以進(jìn)一步看到,隨著特征數(shù)目的增多,系統(tǒng)分類的能力總體在達(dá)到最大之后開始下降。這說明通過經(jīng)驗(yàn)?zāi)B(tài)分解對原始信號(hào)進(jìn)行處理的同時(shí),也帶來了大量效率低下的特征,甚至?xí)档头诸愋?...
本文編號(hào):3991177
本文鏈接:http://www.wukwdryxk.cn/projectlw/yjlw/3991177.html