文献类型：期刊文章

作　　者：唐东林[1] 魏子兵[1] 潘峰[1] 唐圳雄[1] 李茂扬[1] 胡琳[1]

TANG Donglin;WEI Zibing;PAN Feng;TANG Zhenxiong;LI Maoyang;HU Lin(Key Laboratory of Ministry of Education for Oil and Gas Equipment,School of Mechatronics Engineering,Southwest Petroleum University,Chengdu 610500,China)

机构地区：[1]西南石油大学机电工程学院石油天然气装备教育部重点实验室

出　　处：《传感技术学报》

基　　金：四川省科技支撑计划项目(2017FZ0033)

年　　份：2018

卷　　号：31

期　　号：7

起止页码：1040-1045

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2017_2018、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了有效地对不同深度的局部腐蚀缺陷超声波信号进行分类识别,根据腐蚀缺陷信号样本数量较少的特点,提出了一种基于主成分分析(PCA)和支持向量机(SVM)的超声波腐蚀缺陷信号识别方法。该方法采用经验模态分解法对腐蚀缺陷信号进行分解,提取各本征模式分量的时域无量纲参数,利用主成分分析消除原始特征集中的冗余信息,降低每一个特征之间的相关性,实现腐蚀缺陷信号特征参数的降维。在PCA进行特征优化后,将支持向量机的多类分类应用于缺陷分类过程中。将腐蚀缺陷原始特征集和经主成分分析优化后的特征集,分别用于支持向量机的训练和测试,且选择不同的核函数构造支持向量机分类器。实验结果表明,基于主成分分析和支持向量机的方法可以有效地对超声波腐蚀缺陷深度信号分类。

关 键 词：主成分分析 支持向量机 经验模态分解 超声波

分 类 号：TH17] TP18]