UHMWPE/LDPE層合板復(fù)合材料損傷聲發(fā)射信號(hào)識(shí)別

王 旭 杜增鋒 倪慶清 劉新華

（1 安徽工程大學(xué)紡織服裝學(xué)院，蕪湖 241000）

（2 信州大學(xué)纖維學(xué)部，日本 長(zhǎng)野 3868567）

文 摘 為了掌握UHMWPE/LDPE 復(fù)合材料的損傷機(jī)理，運(yùn)用聲發(fā)射技術(shù)結(jié)合聚類(lèi)分析方法建立不同損傷形式的聲發(fā)射信號(hào)訓(xùn)練樣本，通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)損傷信號(hào)的識(shí)別，并分別探討了訓(xùn)練函數(shù)、傳遞函數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)等因素對(duì)識(shí)別率的影響。研究表明，由系統(tǒng)聚類(lèi)可提取幅度、峰值頻率、持續(xù)時(shí)間為模式特征，結(jié)合Kmeans 聚類(lèi)可建立11 個(gè)類(lèi)別共583 信號(hào)的訓(xùn)練樣本。以混淆矩陣為識(shí)別率指標(biāo)，當(dāng)訓(xùn)練函數(shù)為traingdx、隱層/輸出層傳遞函數(shù)為tansig/logsig、隱層神經(jīng)元數(shù)量為70 時(shí)，網(wǎng)絡(luò)的識(shí)別率達(dá)97.2%，為基于聲發(fā)射技術(shù)的熱塑性基體復(fù)合材料損傷識(shí)別提供參考。

0 引言

復(fù)合材料的多相結(jié)構(gòu)及損傷的多種形式，導(dǎo)致其損傷機(jī)理及演化過(guò)程十分復(fù)雜。斷口分析能有效提供損傷的微觀形貌，但無(wú)法提供損傷過(guò)程的動(dòng)態(tài)信息[1]。近年來(lái)，聲發(fā)射（Acoustic Emission，AE）技術(shù)逐漸成為復(fù)合材料損傷機(jī)理研究的有效工具之一。研究表明，復(fù)合材料損傷過(guò)程的載荷歷程和AE 信號(hào)參數(shù)歷程具有一致性[2]，通過(guò)分析伴隨損傷產(chǎn)生的AE 信號(hào)，可掌握損傷對(duì)應(yīng)的AE 特征，并在此基礎(chǔ)上揭示材料的損傷演化過(guò)程[3-5]。通常復(fù)合材料不同損傷模式的AE信號(hào)在存在一定的差異。黃文亮等[6]發(fā)現(xiàn)CFRP 切削過(guò)程入口和出口處撕裂的AE 信號(hào)RMS 參數(shù)不同。Q.Q.NI 和I.YANG 等[7-8]發(fā)現(xiàn)不同損傷模式的AE 信號(hào)頻率特征不同。袁忠等[9]以AE 信號(hào)的近似熵譜特征識(shí)別出層壓板基體開(kāi)裂、界面脫膠及纖維斷裂等損傷。識(shí)別不同損傷模式的AE 信號(hào)是掌握損傷機(jī)理及其演化的關(guān)鍵。童小燕等[10]運(yùn)用K 均值聚類(lèi)得到基體開(kāi)裂、界面層脫粘、分層及纖維斷裂等損傷模式的AE 信號(hào)。H.A.SAWAN 等[11]分別對(duì)±45°、0°及準(zhǔn)各向同性碳纖/環(huán)氧層合板拉伸及彎曲過(guò)程的AE 信號(hào)聚類(lèi)，得到不同損傷機(jī)制的AE 信號(hào)。張衛(wèi)東等[12]以AE 信號(hào)的累積撞擊數(shù)、累積振鈴計(jì)數(shù)和累積能量計(jì)數(shù)等為特征，運(yùn)用神經(jīng)網(wǎng)絡(luò)識(shí)別出材料在彈性、屈服、塑性和斷裂等力學(xué)行為。王健等[13]以運(yùn)用神經(jīng)網(wǎng)絡(luò)對(duì)碳纖維增強(qiáng)復(fù)合材料纖維斷裂、基材開(kāi)裂、界面分離、分層等6種典型損傷形式的AE 信號(hào)進(jìn)行了識(shí)別，總的識(shí)別正確率高達(dá)93.9%。上述基于AE 技術(shù)的復(fù)合材料損傷研究大多是熱固性基體，而針對(duì)熱塑性基體復(fù)合材料損傷的研究尚不多見(jiàn)，同時(shí)損傷形式或程度的判定還部分依賴(lài)于人為經(jīng)驗(yàn)。為此本文以UHMWPE/LDPE 層合板為研究對(duì)象，由模型試樣拉伸破壞誘導(dǎo)產(chǎn)生預(yù)期損傷形式的AE 信號(hào)并聚類(lèi)產(chǎn)生訓(xùn)練樣本，借助神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)對(duì)不同損傷AE 信號(hào)的識(shí)別，并比較了不同網(wǎng)絡(luò)結(jié)構(gòu)、傳遞函數(shù)、訓(xùn)練算法等的識(shí)別正確率，以尋求客觀、高效的復(fù)合材料損傷識(shí)別方法。

1 實(shí)驗(yàn)

1.1 材料制備

UHMWPE 纖維規(guī)格145tex/240F，密度0.97 g/cm3，拉伸強(qiáng)度3 013 MPa，彈性模量91 GPa，斷裂應(yīng)變3.3%?；wLDPE，密度0.92 g/cm3。纖維束均勻纏繞在鋪有LDPE 薄膜的不銹鋼芯板上，由硫化機(jī)熱壓制備成復(fù)合材料層合板。DSC（Modulated DSC 2910）測(cè)定纖維和基體熔融溫度分別為147 和112℃。硫化機(jī)設(shè)定溫度120℃，壓力1.5 MPa，熱壓10 min 后保壓冷卻固化成型。

1.2 拉伸及聲發(fā)射試驗(yàn)

為了誘導(dǎo)產(chǎn)生特定的損傷，制備了4 種拉伸試樣，規(guī)格、測(cè)試速度及預(yù)期損傷如表1所示。

表1中S1～S4，分別表示純LDPE 樹(shù)脂、90°單層板、纖維束及[±45°]層合板。圖1所示為拉伸及AE測(cè)試示意圖，材料試驗(yàn)機(jī)為長(zhǎng)春試驗(yàn)機(jī)研究所DNS-100 型，試樣工作距離均為120 mm。每類(lèi)試樣均重復(fù)5 次拉伸試驗(yàn)并同步采集AE 信號(hào)。AE 系統(tǒng)為美國(guó)PAC 公司PCI-2 型，2 個(gè)R15 型傳感器間距60 mm 沿試樣中心線對(duì)稱(chēng)布置，傳感器和試樣間用真空脂耦合并用松緊帶固定于試樣表面。AE 信號(hào)觸發(fā)門(mén)檻值為40 dB。由斷鉛時(shí)差法分別得到各類(lèi)試樣AE信號(hào)的波速，其中S1 為2 800 m/s，S2 為3 470 m/s，S3 為2 780 m/s，S4 為3 160 m/s。記錄發(fā)生在傳感器之間的AE 信號(hào)供分析使用，其中峰值鑒別時(shí)間50 μs，波擊鑒別時(shí)間100 μs，波擊閉鎖時(shí)間300 μs，事件定義時(shí)間100 μs，事件閉鎖時(shí)間110 μs，前置放大器40 dB。

圖1 拉伸及AE 測(cè)試示意圖Fig.1 Sketch map of tensile and AE test system

2 結(jié)果與分析

2.1 AE 信號(hào)模式特征的確定

聚類(lèi)分析是根據(jù)數(shù)據(jù)集客觀存在的多個(gè)類(lèi)，以類(lèi)內(nèi)數(shù)據(jù)具有較強(qiáng)相似性而建立的一種數(shù)據(jù)描述方法。若聚類(lèi)變量選擇合適則由其構(gòu)成的模式特征空間中同類(lèi)數(shù)據(jù)相距較近且分布密集，不同類(lèi)數(shù)據(jù)相距較遠(yuǎn)。聚類(lèi)變量越多并非對(duì)聚類(lèi)效果越有利，尤其是當(dāng)變量間存在較強(qiáng)的相關(guān)性時(shí)，不僅不能提高聚類(lèi)效果反而增加計(jì)算量。AE 參數(shù)是對(duì)AE 波形信號(hào)的量化描述，如圖2所示時(shí)域參數(shù)如幅度、振鈴計(jì)數(shù)、峰值前振鈴計(jì)數(shù)、上升時(shí)間、持續(xù)時(shí)間。此外通過(guò)時(shí)頻轉(zhuǎn)換得到頻域參數(shù)，如頻率質(zhì)心、峰值頻率、平均頻率等。

圖2 AE 參數(shù)示意圖Fig.2 Sketch map of AE parameters

對(duì)上述AE 參數(shù)進(jìn)行系統(tǒng)聚類(lèi)，從中選擇合適的AE 參數(shù)作為模式特征。從試樣S1、S2、S3、S4 采集的AE 信號(hào)數(shù)量分別為63、227、127、166，輸入SPSS軟件執(zhí)行分類(lèi)/系統(tǒng)聚類(lèi)命令，選擇變量聚類(lèi)方式，以歐氏距離為相似性測(cè)度，按照離差平方和法（Ward method）聚類(lèi)結(jié)果如圖3所示。

圖3 AE 參數(shù)的系統(tǒng)聚類(lèi)Fig.3 Hierarchical clustering of AE parameters

由圖3將8 個(gè)AE 參數(shù)分為3 類(lèi)，其中第1 類(lèi)包括幅度、振鈴計(jì)數(shù)、峰值前振鈴計(jì)數(shù)和上升時(shí)間，第2類(lèi)包括頻率質(zhì)心、峰值頻率和平均頻率，第3 類(lèi)為持續(xù)時(shí)間。由于類(lèi)內(nèi)的AE 參數(shù)具有更大的相似性，可選擇幅度、峰值頻率和持續(xù)時(shí)間作為AE 信號(hào)的模式特征。

2.2 AE 信號(hào)訓(xùn)練樣本的建立

訓(xùn)練樣本是已標(biāo)記分類(lèi)標(biāo)簽的AE 信號(hào)?；谕?lèi)損傷模式AE 信號(hào)具有更大相似性的原則，分別對(duì)試樣S1～S4 拉伸破壞過(guò)程的AE 信號(hào)進(jìn)行Kmeans 聚類(lèi)分析，從而得到不同損傷模式AE 信號(hào)的訓(xùn)練樣本。影響K-means 聚類(lèi)的因素包括聚類(lèi)數(shù)k的確定和初始聚心，參照預(yù)備試驗(yàn)及文獻(xiàn)[14]確定試樣S1～S4 的k 值分別為3、3、2、3，并確定相應(yīng)的初始聚心，為消除量綱的影響，原始數(shù)據(jù)先進(jìn)行Z 標(biāo)準(zhǔn)化。執(zhí)行SPSS 軟件分類(lèi)/K-均值聚類(lèi)，讀入初始聚心文件，選擇迭代與分類(lèi)方式，分別對(duì)試樣S1～S4 的AE 信號(hào)進(jìn)行聚類(lèi)，聚類(lèi)完成后，各類(lèi)別的AE 信號(hào)個(gè)數(shù)及相應(yīng)的最終聚心如表2所示。

表3為L(zhǎng)DPE 基體的3 類(lèi)損傷及AE 信號(hào)特征。由于拉伸過(guò)程應(yīng)變能主要以塑性變形的釋放，故AE信號(hào)具有幅度低、持續(xù)時(shí)間短的特征，僅在斷裂時(shí)產(chǎn)生幅度高、持續(xù)時(shí)間長(zhǎng)的AE 信號(hào)。

表3 基體損傷模式的AE 信號(hào)特征Tab.3 AE features of matrix damage modes

表4為界面的3 類(lèi)損傷及AE 信號(hào)特征。其中S2-2，S2-3 伴隨加載的全過(guò)程均有產(chǎn)生，而S2-1 僅在臨近斷裂時(shí)產(chǎn)生。UHMWPE 纖維的表面惰性導(dǎo)致界面強(qiáng)度低，伴隨加載過(guò)程，界面損傷不斷累積，最終導(dǎo)致材料因界面脫粘而破壞。

表4 界面損傷模式的AE 信號(hào)特征Tab.4 AE features of interface damage modes

表5為纖維的2 類(lèi)損傷及AE 信號(hào)特征，其中S3-2 類(lèi)加載過(guò)程均有發(fā)生，該類(lèi)信號(hào)源于損傷早期的單纖維隨機(jī)斷裂，具有幅度低、持續(xù)時(shí)間短的特征。S3-1 類(lèi)主要發(fā)生于臨近斷裂大量纖維集中斷裂時(shí)，具有幅度高、持續(xù)時(shí)間長(zhǎng)的特征。

表5 纖維斷裂損傷模式的AE 信號(hào)特征Tab.5 AE features of fiber damage modes

表6為層間的3 類(lèi)損傷及AE 信號(hào)特征。觀察試樣發(fā)現(xiàn)側(cè)邊明顯的分層且層內(nèi)有界面剪切破壞。綜合幅度和持續(xù)時(shí)間判斷，S4-3、S4-1 分別源于較大、中等程度的損傷，S4-2 則源于較低程度的損傷。界面強(qiáng)度低是導(dǎo)致層內(nèi)和層間破壞的重要原因。

綜上分析，AE 信號(hào)分別對(duì)應(yīng)為11 種不同的損傷模式，則訓(xùn)練樣本可由輸入向量p 和對(duì)應(yīng)的目標(biāo)向量t構(gòu)成，每個(gè)AE 信號(hào)均為含有3 個(gè)元素（幅度、峰值頻率和持續(xù)時(shí)間）的列向量p，并分別對(duì)應(yīng)一個(gè)目標(biāo)向量t，t 為具有11 個(gè)元素的列向量，其中只有一個(gè)非零元素1 所在的行代表?yè)p傷模式類(lèi)型，其他元素均為0。

表6 層間損傷模式的AE 信號(hào)特征Tab.6 AE features of interlayer damage modes

2.3 BP 神經(jīng)網(wǎng)絡(luò)的建立

BP（back propagation）網(wǎng)絡(luò)是基于誤差逆向傳播算法的多層前饋神經(jīng)網(wǎng)絡(luò)，它由多個(gè)神經(jīng)元層構(gòu)成，每層包含多個(gè)神經(jīng)元，神經(jīng)元是多輸入單輸出的信息處理單元。BP 網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 BP 網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.4 Scheme of BP neuron network

圖4中Input 為網(wǎng)絡(luò)輸入，R 為輸入節(jié)點(diǎn)數(shù)，p 為R行1 列輸入向量。隱層Layer1 和輸出層Layer2 中，S1、S2分別為各層神經(jīng)元數(shù)，W1、W2分別為各層網(wǎng)絡(luò)權(quán)值，b1、b2分別為各層偏置值，f1、f2分別為各層f 傳遞函數(shù)，a1、a2分別為各層輸出。MatLab 軟件的神經(jīng)網(wǎng)絡(luò)工具箱nntool 可以方便的建立并訓(xùn)練BP 網(wǎng)絡(luò)。

2.4 網(wǎng)絡(luò)參數(shù)對(duì)網(wǎng)絡(luò)性能的影響

2.4.1 影響網(wǎng)絡(luò)性能的網(wǎng)絡(luò)參數(shù)

影響網(wǎng)絡(luò)效果的網(wǎng)絡(luò)參數(shù)包括網(wǎng)絡(luò)結(jié)構(gòu)、傳遞函數(shù)、訓(xùn)練算法等。圖4所示的網(wǎng)絡(luò)結(jié)構(gòu)可記為R-S1-S2，其中R 由p 的維數(shù)確定，S2由目標(biāo)向量t 的維數(shù)決定。由AE 信號(hào)的訓(xùn)練樣本可知，R=3，S2=11。隱層Layer1 神經(jīng)元數(shù)S1一般通過(guò)試探的方式確定，為減少計(jì)算量在滿足要求時(shí)S1以少為宜，根據(jù)預(yù)備試驗(yàn)和訓(xùn)練樣本量，S1范圍定在10～90 之間。傳遞函數(shù)f 不同會(huì)引起網(wǎng)絡(luò)輸出a 的變化，進(jìn)而影響網(wǎng)絡(luò)性能，其關(guān)系見(jiàn)式（1）。

式中，p 為輸入向量，W、b 分別為網(wǎng)絡(luò)權(quán)值矩陣和偏置值向量，nntool 提供的f 包括階躍函數(shù)hardlim、線性函數(shù)purelin 和非線性函數(shù)logsig、tansig 等[15]。

網(wǎng)絡(luò)訓(xùn)練的實(shí)質(zhì)是通過(guò)訓(xùn)練樣本不斷調(diào)整W 和b，使輸出a 和目標(biāo)t 更加接近，通常以?xún)烧叩木秸`差作為網(wǎng)絡(luò)性能指數(shù)，其值越小說(shuō)明網(wǎng)絡(luò)性能越好。訓(xùn)練函數(shù)不同網(wǎng)絡(luò)性能也存在差異，nntool 提供多種訓(xùn)練函數(shù)可供選擇，訓(xùn)練后的網(wǎng)絡(luò)分類(lèi)效果可借助混淆矩陣（Confusion Matrix）評(píng)價(jià)[15]。

2.4.2 訓(xùn)練函數(shù)和傳遞函數(shù)對(duì)網(wǎng)絡(luò)性能的影響

表7為不同訓(xùn)練函數(shù)對(duì)同一網(wǎng)絡(luò)結(jié)構(gòu)3-50-11，隱層和輸出層傳遞函數(shù)均為logsig，每種執(zhí)行10 次，以訓(xùn)練時(shí)間和識(shí)別率均值反映的網(wǎng)絡(luò)性能。5 種訓(xùn)練函數(shù)分別為traingd（標(biāo)準(zhǔn)梯度下降法）、traingdx（動(dòng)量及可變學(xué)習(xí)率法）、trainrp（彈性梯度法）、trainoss（一步正割法）、traincgf（共軛梯度法）[15]。終止訓(xùn)練條件為迭代5 000 次或性能指數(shù)小于等于10-4。所有訓(xùn)練均以完成5 000 次迭代而停止，其中以traingdx 為訓(xùn)練函數(shù)訓(xùn)練時(shí)間最短71 s，以trainoss 為訓(xùn)練函數(shù)訓(xùn)練時(shí)間最長(zhǎng)191 s，其他在71～191 s 之間。從識(shí)別率上看，標(biāo)準(zhǔn)梯度下降算法traingd 最低僅為36.0%，對(duì)于損傷識(shí)別幾乎沒(méi)有應(yīng)用價(jià)值。經(jīng)過(guò)一步正割法改進(jìn)的trainoss 和共軛梯度法改進(jìn)的traincgb識(shí)別率有較大提高，分別達(dá)到79.1%和83.9%。經(jīng)彈性梯度下降算法改進(jìn)的trainrp 和動(dòng)量及可變學(xué)習(xí)率改進(jìn)的traingdx 是識(shí)別率最好的兩種訓(xùn)練函數(shù)，分別達(dá)96.2%和96.6%。標(biāo)準(zhǔn)梯度下降算法受網(wǎng)絡(luò)初始權(quán)值W 和偏置值b 的影響較大，且當(dāng)學(xué)習(xí)率設(shè)置較小時(shí)算法容易陷入局部極小，學(xué)習(xí)率設(shè)置較大時(shí)算法又會(huì)變得不穩(wěn)定。經(jīng)過(guò)優(yōu)化改進(jìn)的訓(xùn)練函數(shù)識(shí)別率有較大的提高。綜合識(shí)別率和訓(xùn)練時(shí)間分析，選擇traingdx 作為網(wǎng)絡(luò)訓(xùn)練函數(shù)。

表8為隱層/輸出層的6 種不同傳遞函數(shù)搭配，對(duì)訓(xùn)練函數(shù)為traingdx，結(jié)構(gòu)為3-50-11 網(wǎng)絡(luò)的訓(xùn)練結(jié)果。從識(shí)別率看，當(dāng)隱層/輸出層是非線性/非線性傳遞函數(shù)時(shí)，識(shí)別率均優(yōu)于非線性/線性傳遞函數(shù)搭配的情況，其中以tansig/logsig 搭配時(shí)識(shí)別率高達(dá)96.9%，訓(xùn)練時(shí)間55 s 也相對(duì)較短，更適合作為隱層/輸出層傳遞函數(shù)。

表8 不同傳遞函數(shù)的網(wǎng)絡(luò)性能Tab.8 Network performance of different transfer functions

2.4.3 網(wǎng)絡(luò)結(jié)構(gòu)對(duì)網(wǎng)絡(luò)性能的影響

表9為以traingdx 為訓(xùn)練函數(shù)、隱層/輸出層傳遞函數(shù)為tansig/logsig 時(shí)，不同隱層神經(jīng)元數(shù)時(shí)的網(wǎng)絡(luò)性能。根據(jù)預(yù)備實(shí)驗(yàn)，隱層神經(jīng)元數(shù)量選擇10、30、50、70、90。終止訓(xùn)練條件為迭代5 000 次或性能指數(shù)小于等于10-4。由表9看出，識(shí)別率隨隱層神經(jīng)元數(shù)量增加而逐漸提高，但數(shù)量達(dá)50 后繼續(xù)增加對(duì)提高識(shí)別率作用有限且訓(xùn)練時(shí)間增加。說(shuō)明適當(dāng)增加隱層神經(jīng)元數(shù)量，有利于提高網(wǎng)絡(luò)性能，但隱層神經(jīng)元過(guò)多有可能使網(wǎng)絡(luò)出現(xiàn)過(guò)擬合現(xiàn)象導(dǎo)致識(shí)別率降低。

表9 不同網(wǎng)絡(luò)結(jié)構(gòu)的網(wǎng)絡(luò)性能Tab.9 Network performance of different architecture

圖5為網(wǎng)絡(luò)結(jié)構(gòu)為3-70-11，隱層/輸出層傳遞函數(shù)為tansig/logsig，訓(xùn)練函數(shù)為traingdx 時(shí)，某次訓(xùn)練后輸出結(jié)果的混淆矩陣，其中對(duì)角線上為各類(lèi)別識(shí)別正確的信號(hào)個(gè)數(shù)，最下行及右下角分別為各類(lèi)別及總識(shí)別率。583 個(gè)AE 信號(hào)有566 個(gè)被正確識(shí)別，總識(shí)別率達(dá)97.1%，其中試樣S1 的3 類(lèi)AE 信號(hào)全部識(shí)別正確。試樣S2 的3 類(lèi)AE 信號(hào)中，S2-1 和S2-3全部識(shí)別正確，S2-2 的32 個(gè)信號(hào)有29 個(gè)識(shí)別正確，識(shí)別率90.6%。試樣S3 的2 類(lèi)AE 信號(hào)S3-1、S3-2識(shí)別率分別為97.1%，91.4%。試樣S4 的3 類(lèi)AE 信號(hào)中，S4-1 和S4-3 全部識(shí)別正確，S4-2 的94 個(gè)信號(hào)有89 個(gè)識(shí)別正確，識(shí)別率94.7%。部分信號(hào)被錯(cuò)分是由于模式空間中信號(hào)參數(shù)存在重疊所導(dǎo)致。混淆矩陣的結(jié)果表明，合適網(wǎng)絡(luò)參數(shù)訓(xùn)練后的BP 神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)損傷AE 信號(hào)的正確識(shí)別。

圖5 網(wǎng)絡(luò)的混淆矩陣Fig.5 Confusion matrix of network

3 結(jié)論

（1）AE 信號(hào)參數(shù)系統(tǒng)聚類(lèi)結(jié)果可選擇出AE 信號(hào)損傷模式特征為幅度、峰值頻率和持續(xù)時(shí)間。

（2）對(duì)AE 信號(hào)進(jìn)行K-means 聚類(lèi)可建立損傷模式的AE 信號(hào)訓(xùn)練樣本。

（3）運(yùn)用BP 網(wǎng)絡(luò)可實(shí)現(xiàn)對(duì)不同損傷模式的識(shí)別，網(wǎng)絡(luò)性能和訓(xùn)練函數(shù)、傳遞函數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)有關(guān)，當(dāng)訓(xùn)練函數(shù)為traingdx，隱層/輸出層傳遞函數(shù)為tansig/logsig，隱層神經(jīng)元為70 時(shí)，網(wǎng)絡(luò)識(shí)別率可達(dá)97.2%。