论文部分内容阅读
在激光超声检测中，传统的神经网络方法对于高维小样本事件存在着过学习、局部极小、推广泛化能力差、复杂度高等问题，因此超声缺陷信号的特征提取至关重要。针对这一问题本文采用核熵成分分析(KECA)对激光超声缺陷信号进行特征提取，有效降低了样本数据的维数，然后应用支持向量机(SVM)进行缺陷分类识别验证了算法的有效性。