Page 92 - 2023年第54卷第5期

表 ３ 基于原始信号数据的智能模型断丝识别评价结果
智能识别模型 Ｒｅｃａｌｌ?％ Ｐｒｅｃｉｓｉｏｎ?％ Ｆ１＿ｓｃｏｒｅ?％ ＡＵＣ Ａｃｃｕｒａｃｙ?％ 耗时?ｓ
ＳＶＭ ７５．０ ７５．６ ７４．１ ０．８９３ ７５．０ ０．０６
ＫＮＮ ６０．７ ７０．２ ５８．２ ０．６９５ ６０．７ ０．１６

ＥＴ ７８．６ ８０．８ ７７．３ ０．９４１ ７８．６ ０．４２
ＭＬＰ ８２．１ ８２．２ ８２．０ ０．９３３ ８２．１ ２．４１

图 ７ 基于原始断丝信号的 ＰＣＣＰ断丝识别结果
表 ４ 基于重构信号的智能模型断丝识别评价结果

深度学习模型 机器学习方法 Ｒｅｃａｌｌ?％ Ｐｒｅｃｉｓｉｏｎ?％ Ｆ１＿ｓｃｏｒｅ?％ ＡＵＣ Ａｃｃｕｒａｃｙ?％ 耗时?ｓ
ＳＶＭ ８５．７ ８６．４ ８５．９ ０．９７６ ８５．７ ０．７３
ＫＮＮ ８９．３ ８９．６ ８９．３ ０．９２１ ８９．３ ０．１２
ＲｅｓＮｅｔ
ＥＴ ８９．３ ８９．６ ８９．３ ０．９２１ ８９．３ ０．６３
ＭＬＰ ８５．７ ８５．７ ８５．７ ０．９７７ ８５．７ ０．８７
ＳＶＭ ９２．９ ９４．２ ９２．８ ０．９８６ ９２．９ ０．５４
ＫＮＮ ８５．７ ９０．１ ８６．２ ０．８９５ ８５．７ ０．１３
Ｉｎｃｅｐｔｉｏｎ － ｖ４
ＥＴ ８５．７ ９０．１ ８６．２ ０．８９５ ８５．７ ０．４１
ＭＬＰ ９２．９ ９４．２ ９２．８ ０．９８６ ９２．９ ０．９１
ＳＶＭ １００ １００ １００ １００ １００ ０．７７
ＫＮＮ ９６．４ ９６．８ ９６．４ ０．９７３ ９６．４ ０．３７
Ｉｎｃｅｐｔｉｏｎ － ＲｅｓＮｅｔ － ｖ２
ＥＴ ９６．４ ９６．８ ９６．４ ０．９７３ ９６．４ ０．５４
ＭＬＰ ９２．８ ９３．２ ９２．８ ０．９９８ ９２．９ ０．８８

４．３ 基于 ｔ － ＳＮＥ的重构特征降维可视化验证 在上节已经对重构信号和智能模型识别进行了量化评
价，从结果中可以看出基于 Ｉｎｃｅｐｔｉｏｎ － ＲｅｓＮｅｔ － ｖ２的特征有效性更强，如何更直观的表示不同模型的特
征分布仍需进一步研究。基于 ＲｅｓＮｅｔ、Ｉｎｃｅｐｔｉｏｎ － ｖ４和 Ｉｎｃｅｐｔｉｏｎ － ＲｅｓＮｅｔ － ｖ２模型的重构信号维度分别
为 １０００、１００１和 １５３６，如 此 高 维 度 的 特 征 很 难 进 行 可 视 化 验 证，因 此 采 用 ｔ － ＤｉｓｔｒｉｂｕｔｅｄＳｔｏｃｈａｓｔｉｃ
ＮｅｉｇｈｂｏｒＥｍｂｅｄｄｉｎｇ（ｔ － ＳＮＥ ）进行分析。
算法 ｔ － ＳＮＥ是一种非线性、无监督和基于流形的特征提取方法，能够将高维数据映射到低维，
如 ２维或 ３维，同时能够保留原始数据的基本结构，因此 ｔ － ＳＮＥ主要用于数据探索和可视化。简而
言之，ｔ － ＳＮＥ提供了对数据 在高 维空 间中的 直 观 排 列 方 式。尽 管 不 同 特 征 重 构 方 法 具 有 强 大 的 性
能，如本文提出的 ３种断丝信号重构模型，但在高维特征可视化方面并不理想，其中大多数是不能
同时保留局部和全局结构数据，而 ｔ － ＳＮＥ能 够通过保 留 数 据的 显 著 性来 方便 地可 视化 高维数据结
构体。
ｔ － ＳＮＥ将随机邻域嵌入（ＳＮＥ）应用于数据特征，将高维欧氏距离转换成表示相似性的条件概率。
数据 ｘ与 ｘ的相似性由条件概率表示，如下所示。
ａ ｂ
— ５ ９ —
４