LMD特征融合與SVM的供水管道堵塞識(shí)別*

閆 菁， 馮 早， 吳建德， 馬 軍

(1.昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500；2.云南省礦物管道輸送工程技術(shù)研究中心，云南 昆明 650500； 3.昆明理工大學(xué) 機(jī)電工程學(xué)院，云南 昆明 650500)

?

LMD特征融合與SVM的供水管道堵塞識(shí)別*

閆 菁1,2， 馮 早1,2， 吳建德1,2， 馬 軍3

(1.昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500；2.云南省礦物管道輸送工程技術(shù)研究中心，云南 昆明 650500； 3.昆明理工大學(xué) 機(jī)電工程學(xué)院，云南 昆明 650500)

針對(duì)城市供水管道早期堵塞難以檢測(cè)的問(wèn)題，提出了一種基于局部均值分解(LMD)的分量信號(hào)特征提取，結(jié)合支持向量機(jī)(SVM)的堵塞故障識(shí)別方法。先對(duì)聲響應(yīng)信號(hào)進(jìn)行LMD，得到若干乘積函數(shù)(PF)分量，進(jìn)而采用相關(guān)分析法選取有效PF分量，對(duì)有效PF分量分別提取能量熵、近似熵和平均聲壓三個(gè)指標(biāo)的特征，構(gòu)建分類特征集。最后利用交叉驗(yàn)證(CV)方法優(yōu)化參數(shù)的SVM分類器識(shí)別堵塞故障信號(hào)。實(shí)驗(yàn)結(jié)果表明：采取基于LMD特征融合和通過(guò)CV優(yōu)化的SVM相結(jié)合的方法可以有效識(shí)別供水管道的初期堵塞。與基于LMD特征融合和BP神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行了對(duì)比，結(jié)果表明：本文方法具有更好的堵塞故障識(shí)別效果。

供水管道； 堵塞物識(shí)別； 局域均值分解； 特征融合； 支持向量機(jī)

0 引 言

供水管網(wǎng)在城市基礎(chǔ)設(shè)施中有著非常重要的作用。然而,由于國(guó)內(nèi)部分管道最初的設(shè)計(jì)存在缺陷，并且使用時(shí)間長(zhǎng)，造成管道故障率較高。管道堵塞故障早期表現(xiàn)為不同程度的部分堵塞，容易被檢測(cè)人員忽略，最終導(dǎo)致堵塞面積擴(kuò)大，不僅會(huì)造成管道無(wú)法正常運(yùn)行，還有可能帶來(lái)安全隱患。因此，對(duì)早期的管道堵塞故障進(jìn)行研究，及時(shí)發(fā)現(xiàn)并且排除故障非常必要。

根據(jù)檢測(cè)原理，目前常用的管道的故障研究方法有：紅外線照相法[1]、質(zhì)量平衡法[2]、負(fù)壓波法[3]、示蹤氣體探蹤法[4]等。在眾多檢測(cè)方法中，聲學(xué)檢測(cè)方法有其獨(dú)特的優(yōu)勢(shì)，表現(xiàn)在聲音在固、液、氣介質(zhì)中均可傳播且可以攜帶豐富的故障信息。聲學(xué)檢測(cè)方法分為主動(dòng)檢測(cè)和被動(dòng)檢測(cè)。在被動(dòng)檢測(cè)中，運(yùn)用較多的是聲發(fā)射方法。然而，聲發(fā)射只能檢測(cè)故障本身發(fā)出的聲信號(hào)，如果故障沒(méi)有發(fā)出聲信號(hào)或者僅發(fā)出微弱的聲信號(hào)，則難以用聲發(fā)射方法進(jìn)行故障檢測(cè)。供水管道堵塞故障，屬于這種情況。針對(duì)聲學(xué)被動(dòng)檢測(cè)方法難以有效檢測(cè)供水管道堵塞故障的問(wèn)題，本文采取主動(dòng)檢測(cè)的方法。主動(dòng)檢測(cè)由檢測(cè)人員在管道的一端發(fā)射聲激勵(lì)信號(hào)，聲音在管道中傳播遇到管壁或者堵塞物發(fā)生反射，由此得到聲學(xué)響應(yīng)信號(hào)。通過(guò)對(duì)響應(yīng)信號(hào)進(jìn)行分析，可以判斷供水管道故障類型。

聲響應(yīng)信號(hào)為非線性非平穩(wěn)信號(hào)，傳統(tǒng)的平穩(wěn)信號(hào)分析方法無(wú)法取得理想的處理效果。將非線性非平穩(wěn)信號(hào)有效分解為單一模態(tài)函數(shù)是解決非線性非平穩(wěn)信號(hào)處理問(wèn)題的主要途徑之一，典型代表如局部均值分解(local mean decomposition,LMD)方法。LMD方法可將非平穩(wěn)信號(hào)分解為一系列純調(diào)幅—調(diào)頻信號(hào)，且具有較好的時(shí)頻分析效果，已被廣泛應(yīng)用于腦電信號(hào)處理、機(jī)械故障診斷等領(lǐng)域[5]。因此，本文采用LMD處理聲響應(yīng)信號(hào)。

根據(jù)聲學(xué)檢測(cè)原理，聲信號(hào)在管道中傳播，只有部分的聲信號(hào)會(huì)遇到堵塞物，且管道環(huán)境中還包含各種噪聲，這種情況造成故障信號(hào)的部分特征與正常信號(hào)或者環(huán)境噪聲有重疊，因此,單一的特征提取方式會(huì)造成特征提取不足的情況。文玉梅等人[6]提取了譜寬和近似熵特征進(jìn)行故障識(shí)別，取得了比單一特征更好的識(shí)別效果。

本文針對(duì)管道堵塞故障信號(hào)的聲學(xué)特性，分別從能量、時(shí)間序列復(fù)雜度、聲壓變化三個(gè)角度出發(fā)，提取LMD分解后有效分量信號(hào)的能量熵、近似熵和平均聲壓三個(gè)指標(biāo)，構(gòu)建特征集合。最后,利用支持向量機(jī)(support vector machine,SVM)進(jìn)行故障識(shí)別。為了驗(yàn)證方法的有效性，將該方法與方向傳播(back propogation,BP)神經(jīng)網(wǎng)絡(luò)進(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果表明，本文提出的方法具有更好的故障識(shí)別效果。

1 堵塞故障特征提取原理

傳統(tǒng)的聲發(fā)射檢測(cè)方法可以有效地檢測(cè)管道泄漏[6]，但是在檢測(cè)堵塞方面并不理想。針對(duì)這種情況，現(xiàn)有管道堵塞檢測(cè)多采用主動(dòng)檢測(cè)方法，對(duì)管道發(fā)射激勵(lì)聲信號(hào)，采用過(guò)程響應(yīng)信號(hào)進(jìn)行故障檢測(cè)。

檢測(cè)過(guò)程為：將一根長(zhǎng)桿通過(guò)地面的井蓋伸入到供水管道當(dāng)中，長(zhǎng)桿的尾端連接著聲音傳感器，采集到的數(shù)據(jù)通過(guò)數(shù)據(jù)采集和傳輸裝置發(fā)送和儲(chǔ)存到指定設(shè)備中。檢測(cè)時(shí)，聲音傳感器發(fā)射端發(fā)射激勵(lì)聲信號(hào)X(t)，信號(hào)在管道中傳播，當(dāng)遇到堵塞物時(shí)，部分聲音能量發(fā)生反射，此時(shí)傳感器接收端可以接收到反射的聲信號(hào)Y(t)。數(shù)據(jù)采集系統(tǒng)采集傳感器接收端的信號(hào)，此時(shí)， 即可得到整個(gè)系統(tǒng)的響應(yīng)信號(hào)G(t)為

(1)

通過(guò)對(duì)響應(yīng)信號(hào)進(jìn)行分析，判別管道故障。

1.1 LMD

LMD方法能夠自主地確定信號(hào)在不同尺度的分辨率，從原信號(hào)分離出純調(diào)頻信號(hào)si(t)和包絡(luò)信號(hào)ai(t)，將二者相乘可以得到有物理意義的乘積函數(shù)(PF)分量，即

PFi=ai(t)si(t)

(2)

將PF1從原始信號(hào)x(t)中分離出來(lái)，得到一個(gè)新的信號(hào)u1(t)，將u1(t)作為新的信號(hào)繼續(xù)分解，直到最后的uk(t)為單調(diào)信號(hào)。通過(guò)循環(huán)迭代分解，將原始響應(yīng)信號(hào)分解為k個(gè)PF分量與一個(gè)殘余分量之和，即

(3)

1.2 LMD分量能量熵

當(dāng)管道某部分出現(xiàn)堵塞時(shí)，聲響應(yīng)信號(hào)中頻率分布和能量分布也會(huì)發(fā)生相應(yīng)改變[7]。因此，在LMD分解的基礎(chǔ)上，通過(guò)計(jì)算各PF分量的能量分布，進(jìn)一步求取信號(hào)能量熵[7]特征，來(lái)構(gòu)成故障特征向量。

對(duì)原信號(hào)LMD分解后的所有分量都提取特征會(huì)造成特征向量冗余，故需要選取有效分量提取特征。本文采用相關(guān)分析法和能量分布法選取有效PF分量。選取與原信號(hào)相關(guān)度大于15 %且所占能量較多的分量計(jì)算能量熵。能量熵計(jì)算步驟如下：

1)計(jì)算k個(gè)PF分量的能量 ，將所有計(jì)算的分量能量相加，計(jì)算總能量，即

(4)

2)計(jì)算k個(gè)特征PF分量在總能量中占取的比重

(5)

即得到k個(gè)能量占比。

3)計(jì)算k個(gè)特征PF分量的能量熵

(6)

通過(guò)此提取方法，即可提取特征PF分量的能量熵，構(gòu)建分類樣本。

1.3 LMD分量近似熵

當(dāng)管道僅為部分堵塞時(shí)，僅用能量熵進(jìn)行特征提取，正常和堵塞管道的能量熵值會(huì)出現(xiàn)部分重疊。本文從信號(hào)的隨機(jī)性特征出發(fā)，提取特征來(lái)彌補(bǔ)能量熵提取方式的不足。

近似熵表征了分析信號(hào)在維數(shù)發(fā)生變化的情況下，產(chǎn)生新模式的可能性的大小，即可以表征信號(hào)的時(shí)間序列復(fù)雜性[8]。近似熵的數(shù)值越大，表明信號(hào)的隨機(jī)性和不規(guī)則性的程度越大。給定一個(gè)時(shí)間序列{x(i),i=1,2,…,N}，預(yù)先設(shè)置模式維數(shù)m和相似容限r(nóng)的值，則近似熵的值為

(7)

式中

(8)

本文對(duì)有效PF分量計(jì)算近似熵與能量熵，二者為平行的特征，共同構(gòu)成特征向量。

1.4 LMD分量平均聲壓

信號(hào)的均方根值的量綱為幅值，是表征信號(hào)強(qiáng)度的重要指標(biāo)。信號(hào)的均方根值在聲學(xué)中也被稱為平均聲壓[9]，具體公式如下

(9)

在壓力相同的情況下，堵塞聲信號(hào)的平均聲壓高于正常管道聲信號(hào)的平均聲壓。但是由于信號(hào)本身平均聲壓幅值較小，所以文中僅作為輔助特征。

2 堵塞故障分類原理

文中故障分類模型采用基于交叉驗(yàn)證(crossvalidation,CV)的SVM。SVM是一種適用于二分類的分類算法，SVM在樣本數(shù)量較少的情況下，亦能獲得很好的統(tǒng)計(jì)規(guī)律[10]。

SVM本質(zhì)是尋找一個(gè)分類面函數(shù)。給定一個(gè)訓(xùn)練集合G={xi,yi,i=1,2,…,l},每個(gè)樣本xi∈Rd屬于一個(gè)分類，y為分類標(biāo)簽。分類的曲線表示為w×x+b=0，式子中w為權(quán)重向量，b為閾值。分類函數(shù)構(gòu)造如下

f(x)=sgn(wx+b)

(10)

求SVM的最優(yōu)分類平面，可以表示為優(yōu)化問(wèn)題

(11)

Subject toyi[(wxi)+b]-1≥0,i=1,…,l化為對(duì)偶問(wèn)題

Minimize

(12)

(13)

如果線性不可分，則轉(zhuǎn)換為高維問(wèn)題，令變換函數(shù)為Φ(x)，核函數(shù)用K(x,y)表示，則

K(x,y)=Φ(x)Φ(y)

(14)

用核函數(shù)代替內(nèi)積運(yùn)算，最終的分類函數(shù)為

(15)

SVM的核函數(shù)有多種類型，而徑向基(RBF)核具有較好的學(xué)習(xí)能力和較寬的收斂域等優(yōu)點(diǎn)，是理想的分類依據(jù)函數(shù)[11]。本文選取RBF核函數(shù)。

關(guān)于SVM的參數(shù)選取方式，目前并沒(méi)有公認(rèn)的統(tǒng)一的方式，普遍辦法是將參數(shù)限定在一定的范圍內(nèi)進(jìn)行重復(fù)試驗(yàn)，最終選取分類準(zhǔn)確率比較高的參數(shù)作為最終的分類參數(shù)[12]。但是這種方法效率不高。

本文采用CV的方法尋求最優(yōu)參數(shù)。CV方法目前常用的有Hold-Out Method，K-fold CV(K-CV)，leave-one-out CV(LOO-CV)等方法[13]。本文選取的是K-CV方法，將信號(hào)均分為K組，每一組分別做一次測(cè)試組，其余的作為訓(xùn)練組，由此得到K個(gè)模型。用這K個(gè)模型最終的分類準(zhǔn)確性所對(duì)應(yīng)的值作為SVM的分類指標(biāo)。本文K取10，此時(shí)取得到結(jié)果最可靠穩(wěn)定[13]。

本文也將用BP神經(jīng)網(wǎng)絡(luò)與交叉驗(yàn)證SVM分類進(jìn)行對(duì)比。本文所提出的堵塞檢測(cè)方法原理如圖1所示。

圖1 管道堵塞故障辨識(shí)原理

3 實(shí)驗(yàn)與結(jié)果分析

本文采用的辨識(shí)信號(hào)樣本來(lái)源于英國(guó)布拉德福德大學(xué)管道實(shí)驗(yàn)室采集到的管道數(shù)據(jù)[14]。采用的供水管道為一段15.4m長(zhǎng)的黏土管道。在管道的首端放置聲音傳感器，管道尾端采用半封閉形式以模擬真實(shí)供水管道的運(yùn)行，信號(hào)接收端采集到從管道內(nèi)部反射回來(lái)的聲信號(hào)。實(shí)驗(yàn)中，檢測(cè)人員在管道內(nèi)部放置堵塞物，模擬實(shí)際部分堵塞工況堵塞物的高度為55mm。

實(shí)驗(yàn)共有36組正常樣本，40組故障樣本。數(shù)據(jù)分析的采樣頻率為44 100Hz，每組選取4 410個(gè)點(diǎn)，即對(duì)0.1s的數(shù)據(jù)進(jìn)行信號(hào)分析。供水管道正常信號(hào)和堵塞信號(hào)的時(shí)域波形和LMD分解結(jié)果如圖2所示。

圖2 信號(hào)LMD分解結(jié)果

信號(hào)忽略殘余分量，可以分解出來(lái)6個(gè)PF分量。如果對(duì)于每個(gè)分量信號(hào)都提取特征，會(huì)導(dǎo)致特征向量冗余?；诖耍疚挠孟嚓P(guān)分析法選取特征分量，提取與原信號(hào)相關(guān)系數(shù)大于15 %的分量進(jìn)行分析。此外，也提取分量的能量分布特征作為參考。以正常管道的信號(hào)為例，分析PF分量信號(hào)的相關(guān)系數(shù)和能量分布。結(jié)果如圖3所示。

圖3 能量分布結(jié)果

由PF分量信號(hào)的相關(guān)性分布表和能量分布圖綜合說(shuō)明，前三個(gè)PF分量包含了原信號(hào)的大部分特征，所以選取前三個(gè)PF分量，作為特征提取的分量信號(hào)。

首先提取信號(hào)的能量熵特征，能量熵特征可以區(qū)分兩類信號(hào)，表現(xiàn)在正常管道有效PF分量能量熵值比堵塞管道大。但是有少量故障信號(hào)的能量熵與正常信號(hào)的能量熵十分的相近。為了直觀顯示特征提取效果，各選取20組正常和堵塞管道信號(hào)的PF1分量能量熵的值，由圖4(a)可看出，能量熵特征值有所重疊。

基于此，進(jìn)而提取信號(hào)的近似熵特征。兩種工況類型各選取20組信號(hào)的PF1的近似熵值，由圖5(b)可看出近似熵特征提取效果比能量熵稍好，但是仍有重疊。近似熵特征區(qū)分度特點(diǎn)，表現(xiàn)在正常管道的有效分量近似熵值比堵塞管道的值高。分析認(rèn)為，當(dāng)供水管道發(fā)生堵塞時(shí)，聲響應(yīng)信號(hào)的頻率分布將更加集中在故障部分。但是管道正常情況則不然，其聲信號(hào)頻率分布更為的分散，故信號(hào)更加無(wú)序。此外，本文還提取有效分量的平均聲壓指標(biāo)。同樣方式如圖4(c)。管道發(fā)生堵塞故障時(shí)，信號(hào)的平均聲壓會(huì)比正常情況下的平均聲壓大。由于平均聲壓計(jì)算出來(lái)的數(shù)值較小，所以僅將其作為輔助特征。

圖4 PF1分量特征提取效果

最后，構(gòu)建總體的分類特征集，本文采用的是PF1,PF2,PF3所計(jì)算的能量熵、近似熵、分量平均聲壓3個(gè)指標(biāo)，最終構(gòu)成9維的特征集合。特征PF分量集合如表1所示。

表1 特征PF分量特征集合

本實(shí)驗(yàn)選取正常和堵塞管道各15組數(shù)據(jù)作為訓(xùn)練樣本。正常管道的21組，堵塞管道的25組作為測(cè)試樣本。使用CV方法對(duì)SVM的參數(shù)進(jìn)行尋優(yōu)。將所有特征輸入，得到的尋優(yōu)結(jié)果如圖5所示。

圖5 參數(shù)尋優(yōu)結(jié)果

經(jīng)過(guò)網(wǎng)絡(luò)不斷地進(jìn)行交叉尋優(yōu)，得到參數(shù)值c=6.964 4，g=2.297 4，分類準(zhǔn)確率為97.826 1 %。

為了驗(yàn)證本文特征融合的有效性，也對(duì)單個(gè)特征進(jìn)行分類，并且使用BP神經(jīng)網(wǎng)絡(luò)與交叉驗(yàn)證的SVM分類器做對(duì)比實(shí)驗(yàn)。BP神經(jīng)網(wǎng)絡(luò)使用的測(cè)試集和樣本集與SVM相同。BP神經(jīng)網(wǎng)絡(luò)采用的數(shù)據(jù)隱含層為20，隱含層使用的傳遞函數(shù)為tan-sigmoid，訓(xùn)練目標(biāo)誤差小于0.000 1，訓(xùn)練次數(shù)為500次。最終的分類結(jié)果如表2所示。

表2 辨識(shí)準(zhǔn)確率 %

由表2可知：三個(gè)特征融合的特征集分類效果最好，有效彌補(bǔ)了單個(gè)特征的不足，以達(dá)到最好的故障分類效果。并且在樣本特征一致的情況下，基于CV方法的SVM比BP神經(jīng)網(wǎng)絡(luò)的分類效果好。

4 結(jié) 論

供水管道堵塞故障是一種難以直接用聲發(fā)射方式檢測(cè)判別的故障。因此，采用主動(dòng)檢測(cè)方法，用聲學(xué)響應(yīng)信號(hào)進(jìn)行分析。本文對(duì)原始信號(hào)采用LMD分解后，根據(jù)相關(guān)系數(shù)及能量分布準(zhǔn)則選取有效分解PF分量，進(jìn)而提取有效PF分量的能量熵、近似熵和平均聲壓三個(gè)指標(biāo)作為故障分類模型的輸入特征向量。根據(jù)實(shí)驗(yàn)結(jié)果，三個(gè)特征融合進(jìn)行分類，可以有效彌補(bǔ)單個(gè)特征分類的不足。當(dāng)對(duì)SVM進(jìn)行參數(shù)尋優(yōu)之后，可以進(jìn)一步提高辨識(shí)的準(zhǔn)確性。未來(lái)可進(jìn)一步研究信號(hào)在不同頻段的特征，以尋找更加明顯的指標(biāo)進(jìn)行故障識(shí)別。

[1] 趙 潔.城市供水管網(wǎng)泄漏報(bào)警系統(tǒng)研究[D].天津：天津大學(xué),2006.

[2] 徐 潔，丁金婷，江 皓.管道泄漏檢測(cè)方法綜述[J].管道技術(shù)與設(shè)備,2004(4):14-16.

[3] 王桂增，葉昊.流體輸送管道的泄漏檢測(cè)與定位[M].北京:清華大學(xué)出版社,2010.

[4] 王繼華，彭振斌，關(guān)鑲鋒.供水管網(wǎng)檢漏技術(shù)現(xiàn)狀及發(fā)展趨勢(shì)[J].桂林工學(xué)院學(xué)報(bào),2004,24(4):456-460.

[5] Sun J,Xiao Q,Wen J,et a1.Natural gas pipeline small leakage feature extraction and recognition based on LMD envelope spectrum entropy and SVM[J].Measurement，2014，55(9)：434-443.

[6] 文玉梅，張雪園，文 靜，等.依據(jù)聲信號(hào)頻率分布和復(fù)雜度的供水管道泄漏辨識(shí)[J].儀器儀表學(xué)報(bào),2014,35(6):1223-1229.

[7] 丁國(guó)君，王立德，申 萍，等.基于EEMD能量熵和LSSVM的傳感器故障診斷[J].傳感器與微系統(tǒng),2013,32(7):22-25.

[8] 楊 進(jìn)，文玉梅，李 平.基于相關(guān)分析和近似熵的管道泄漏聲信號(hào)特征提取及辨識(shí)方法[J].儀器儀表學(xué)報(bào)，2009，30(2)：273-279.

[9] 石志標(biāo)，王文寧，蘇天一.液體管道堵塞聲波的分析[J].東北電力大學(xué)學(xué)報(bào),2014,34(3):21-25.

[10] 孫潔娣，肖啟陽(yáng)，溫江濤，等.基于 LMD 包絡(luò)譜熵及 SVM 的天然氣管道微小泄漏孔徑識(shí)別[J].機(jī)械工程學(xué)報(bào),2014,50(20):19-25.

[11] 林升梁，劉 志.基于RBF核函數(shù)的支持向量機(jī)參數(shù)選擇[J].浙江工業(yè)大學(xué)學(xué)報(bào),2007,35(2):163-167.

[12] 王 凱，侯著榮，王聰麗.基于交叉驗(yàn)證SVM的網(wǎng)絡(luò)入侵檢測(cè)[J].測(cè)試技術(shù)學(xué)報(bào),2010,24(5):419-423.

[13] Zao Feng.Condition classification in uuderground pipes based on acoustical characteristics[D].Bradford:University of Bradford,2013.

Identification of water supply pipeline blockage based on LMD features fusion and SVM*

YAN Jing1,2, FENG Zao1,2, WU Jian-de1,2, MA Jun3

(1.Faculty of Information Engineering & Automation, Kunming University of Science and Technology,Kunming 650500,China; 2.Engineering Research Center for Mineral Pipeline Transportation of Yunnan Province，Kunming 650500,China; 3.Faculty of Mechanical and Electrical Engineering,Kunming University of Science and Technology,Kunming 650500,China)

Aiming at the detection problem of blockage within the urban water supply pipeline in the early stage,a method combined component signal feature extraction with support vector machine(SVM)for blockage recognition based on local mean decomposition(LMD) is proposed.The first step of this method is to decompose the acoustic response signal by LMD,so that a number of PF components can be obtained.Then the correlation analysis method is used to select the effective PF components.The characteristics of energy entropy,approximate entropy and average sound pressure of the effective PF components are extracted respectively,so the classification feature sets can be constructed.Finally,the cross validation(CV)is used to optimize the parameters of the SVM classifier to identify the blockage fault signal.The results from the experiments have shown that the method can identify the blockage in the water supply pipeline effectively based on the combination usage of LMD component features and cross validation SVM.In addition,the method is compared with the method based on LMD feature fusion and BP neural network and the results suggest that the proposed method has a better performance on the partial blockage recognition.

water supply pipeline; blockage identification；local mean decomposition(LMD); feature fusion；support vector machine(SVM)

10.13873/J.1000—9787(2017)07—0057—05

2016—08—02

國(guó)家自然科學(xué)基金資助項(xiàng)目(61563024,51169007)； 昆明理工大學(xué)引進(jìn)人才科研啟動(dòng)基金項(xiàng)目(KKZ3201503015)

TH 165.3

A

1000—9787(2017)07—0057—05

閆 菁(1993-)，女，碩士研究生，主要研究方向?yàn)樾盘?hào)處理、模式識(shí)別、管道故障診斷。

馮 早(1979-)，女，通訊作者，博士，講師，主要從事聲學(xué)無(wú)傷檢測(cè)、信號(hào)處理、機(jī)器學(xué)習(xí)方向研究工作，E—mail:6483975@qq.com。