基于小波包优良的时频特性和最小二乘支持向量机(least squares support vector machine,LS-SVM)对于小样本出色的学习泛化能力,提出了一种研究刀具切削状态的方法.采用最小熵准则对声发射信号进行最佳小波包分解,以各频段的信号能量占...基于小波包优良的时频特性和最小二乘支持向量机(least squares support vector machine,LS-SVM)对于小样本出色的学习泛化能力,提出了一种研究刀具切削状态的方法.采用最小熵准则对声发射信号进行最佳小波包分解,以各频段的信号能量占总能量的百分比来构造特征向量,输入LS-SVM多类分类器,实现对刀具切削状态的分类识别.实验结果表明,在采用高斯核函数的LS-SVM多分类算法中,选取惩罚因子γ=10,径向基核参数σ2=1时,该分类器能对测试样本进行准确的刀具切削状态识别.展开更多
文摘基于小波包优良的时频特性和最小二乘支持向量机(least squares support vector machine,LS-SVM)对于小样本出色的学习泛化能力,提出了一种研究刀具切削状态的方法.采用最小熵准则对声发射信号进行最佳小波包分解,以各频段的信号能量占总能量的百分比来构造特征向量,输入LS-SVM多类分类器,实现对刀具切削状态的分类识别.实验结果表明,在采用高斯核函数的LS-SVM多分类算法中,选取惩罚因子γ=10,径向基核参数σ2=1时,该分类器能对测试样本进行准确的刀具切削状态识别.
