简介这份资源面向具备机械工程或数据分析背景、熟悉Python与机器学习基础的研究生及设备状态监测研发人员聚焦变转速变载荷工况下滚动轴承振动信号受干扰、可靠性评估困难的问题。内容以径向基函数神经网络建立系统状态特征映射结合核主成分分析对有效参数降维并将第一主成分作为轴承性能退化指标同时涉及CNN、BiGRU等模型在故障诊断与寿命预测中的集成应用。资源包为1个PDF文件约992KB内含完整可运行代码及逐段解释覆盖时域与频域特征提取、RBF映射、KPCA降维到可靠性计算的衔接逻辑。已有52人学习适合用于构建退化指标、早期故障预警与剩余寿命预测的技术参考也可通过更换不同工况数据验证模型鲁棒性。1. 变转速变载荷下滚动轴承退化指标为什么不能直接套 RMS设备维护工程师最怕的场景之一一台关键机组转速随工艺需求频繁调整负载也跟着工况波动你在实验室用恒定工况标定好的 RMS 报警阈值一上线就疯狂误报。振动烈度随转速平方增长载荷变化又直接改变接触应力分布同一套阈值在变转速变载荷下几乎必然失效。这就是 RBFNN-KPCA 组合方法要解决的问题——它不追求单一特征的最优而是先用 KPCA 把高维特征空间里的非线性主成分提取出来再用 RBFNN 拟合健康状态与退化程度之间的映射最终构建一个对工况变化不敏感、单调性好的退化指标。适合做旋转机械状态监测、寿命预测的从业者尤其是手头有变工况数据但苦于指标不收敛的人。2. RBFNN 与 KPCA 为什么适合做退化指标从线性到非线性的必然选择2.1 退化指标的本质要求与线性方法的局限退化指标不是随便一个统计量。它需要满足三个硬条件单调性即随时间推移整体趋势不可逆鲁棒性即对噪声和短时工况扰动不敏感一致性即同类轴承不同个体的指标曲线形态相似。传统时域指标里RMS 单调性尚可但工况敏感峭度对早期冲击敏感但后期反而下降裕度指标波动大。频域指标如重心频率在转速变化时直接漂移根本没法用。线性降维方法如 PCA 假设特征间是线性关系但轴承退化过程中磨损、点蚀、剥落引起的振动响应是非线性耦合的。举个直观例子早期微弱故障在时域上表现为冲击间隔的微小变化在频域上表现为边频带的缓慢展宽这两者之间的关系不是线性可加的。PCA 强行用线性超平面去拟合会把非线性相关的信息当作噪声丢掉导致退化指标在中期出现平台期看起来像设备“卡”在某个健康状态不动了。KPCA 通过核函数把原始特征映射到高维再生核希尔伯特空间在那个空间里做线性 PCA等价于在原始空间做非线性主成分分析。核函数的选择决定了映射能力常用高斯核因为它能把任意数据映射到无穷维只要带宽参数选得合理几乎可以逼近任意连续函数。这一步解决的是“特征空间非线性结构提取”的问题。2.2 RBFNN 在退化映射中的角色不是分类器是回归器很多人看到 RBFNN 第一反应是分类但在退化指标构建里它做的是回归。输入是 KPCA 降维后的主成分得分输出是一个标量健康度通常归一化到 0 到 1 之间1 表示全新0 表示失效。RBFNN 的结构分三层输入层接收 KPCA 得分隐含层做径向基函数非线性变换输出层线性加权求和。隐含层每个神经元的激活函数是高斯函数中心向量和宽度参数决定了它对输入空间中哪个区域敏感。输出层权重通过最小二乘或梯度下降求解。为什么不用 BP 神经网络因为 RBFNN 在样本量不大时收敛更快且局部响应特性让它对训练数据中的局部退化模式更敏感。BP 网络全局逼近能力强但容易过拟合尤其在变工况数据里工况切换点附近的样本少BP 网络容易把工况变化误学成退化。RBFNN 的局部性反而成了优势——它不会因为某个工况下样本少就强行外推。2.3 从原始振动到退化指标完整信号处理链路整个链路分四步。第一步原始振动信号按固定长度切片通常取 1024 或 2048 点重叠率 50%。第二步对每个切片提取时域和频域特征时域包括 RMS、峭度、峰值因子、裕度因子、波形因子频域包括重心频率、频率方差、均方频率再加上小波包分解后各频带能量比。第三步所有特征组成高维向量做归一化通常用 z-score 或最大最小归一化。第四步KPCA 降维取累计贡献率超过 85% 的主成分再送入 RBFNN 回归。这里有个容易翻车的地方归一化必须在训练集上计算均值和标准差然后应用到测试集。如果对整个数据集一起归一化测试集信息泄露到训练过程指标曲线会异常平滑实际部署时完全不是那么回事。import numpy as np from sklearn.preprocessing import StandardScaler from sklearn.decomposition import KernelPCA from scipy.stats import kurtosis, skew def extract_features(signal, fs): 从单段振动信号提取时域和频域特征 features {} # 时域特征 features[rms] np.sqrt(np.mean(signal**2)) features[kurtosis] kurtosis(signal) features[skewness] skew(signal) features[peak] np.max(np.abs(signal)) features[crest] features[peak] / features[rms] features[clearance] features[peak] / (np.mean(np.sqrt(np.abs(signal)))**2) features[shape] features[rms] / np.mean(np.abs(signal)) # 频域特征 spectrum np.abs(np.fft.rfft(signal)) freq np.fft.rfftfreq(len(signal), 1/fs) power spectrum**2 features[centroid] np.sum(freq * power) / np.sum(power) features[variance] np.sum((freq - features[centroid])**2 * power) / np.sum(power) features[msf] np.sum(freq**2 * power) / np.sum(power) return features def build_feature_matrix(signals, fs): 构建特征矩阵每行一个样本 feat_list [extract_features(s, fs) for s in signals] keys feat_list[0].keys() return np.array([[f[k] for k in keys] for f in feat_list]), list(keys)这段代码里extract_features对每段信号计算 10 个特征build_feature_matrix把它们堆成矩阵。注意clearance和shape的计算方式分母用了绝对值再开方或均值避免负值导致复数。频域特征里centroid是重心频率variance是频率方差msf是均方频率这三个对转速变化敏感但在 KPCA 里会被非线性组合最终退化指标反而能抵消一部分转速影响。参数方面fs是采样频率必须和实际采集系统一致否则频域特征全错。切片长度建议 1024 点起步如果转速很低比如低于 300 转每分钟要加长到 2048 甚至 4096保证一个切片里至少包含 3 到 5 个完整旋转周期。3. KPCA 降维实操核函数选择、参数调优与主成分个数确定3.1 高斯核带宽参数的网格搜索与经验公式KPCA 最关键的参数是高斯核的带宽 gamma。gamma 太大核矩阵接近单位矩阵每个样本都变成独立主成分降维失去意义gamma 太小核矩阵所有元素接近 1主成分全部塌缩到第一维。常见做法是在对数尺度上网格搜索候选值从 0.001 到 10步长按 10 的幂次走。经验公式有两个。一个是中位数启发式gamma 取 1 除以特征维度与特征方差中位数的乘积。另一个是 Silverman 规则gamma 等于样本数的负 2/(维度4) 次方。这两个公式给的是量级参考实际还要微调。from sklearn.decomposition import KernelPCA from sklearn.model_selection import GridSearchCV from sklearn.neural_network import MLPRegressor from sklearn.pipeline import Pipeline def optimize_kpca_gamma(X, y): 网格搜索 KPCA 带宽以 RBFNN 回归的验证集 MSE 为准则 gammas [0.001, 0.005, 0.01, 0.05, 0.1, 0.5, 1.0, 5.0] best_gamma None best_score np.inf for g in gammas: kpca KernelPCA(n_components5, kernelrbf, gammag) X_kpca kpca.fit_transform(X) # 用简单 RBF 网络做快速评估 from scipy.interpolate import Rbf try: rbf Rbf(X_kpca[:,0], X_kpca[:,1], y, functiongaussian) pred rbf(X_kpca[:,0], X_kpca[:,1]) mse np.mean((pred - y)**2) if mse best_score: best_score mse best_gamma g except: continue return best_gamma, best_score这段代码用KernelPCA做降维然后拿前两个主成分用Rbf插值快速评估回归效果。注意这里只是粗筛真正训练 RBFNN 时要用全部主成分。n_components5是初始设定后面还要根据累计贡献率调整。Rbf的functiongaussian和 KPCA 的高斯核不是一回事这里只是借它做快速非线性回归评估别混淆。网格搜索的代价是计算量大如果样本超过 5000建议先用随机子集搜确定量级后再全量微调。另外gamma 的最优值对数据尺度敏感所以特征归一化必须在 KPCA 之前做而且要用训练集的统计量。3.2 主成分个数累计贡献率与重构误差的双重校验KPCA 没有像 PCA 那样的“解释方差比”直接输出因为核空间里的方差不是原始空间的方差。确定主成分个数有两个实用方法。方法一计算核矩阵的特征值按降序排列看累计和占总和的比例。通常取 85% 到 95%。但核矩阵特征值衰减快慢和 gamma 有关gamma 大时衰减快取前几个就够gamma 小时衰减慢可能要取十几个。方法二重构误差。把降维后的主成分反变换回原始特征空间计算重构误差看误差随主成分个数增加的下降曲线拐点处就是合适个数。def select_n_components(X, gamma, threshold0.9): 基于核矩阵特征值累计贡献率选择主成分个数 from sklearn.metrics.pairwise import rbf_kernel K rbf_kernel(X, gammagamma) # 中心化核矩阵 N K.shape[0] one_n np.ones((N, N)) / N K_centered K - one_n K - K one_n one_n K one_n eigvals np.linalg.eigvalsh(K_centered) eigvals eigvals[::-1] # 降序 eigvals np.maximum(eigvals, 0) # 数值误差可能产生负值 cumsum np.cumsum(eigvals) / np.sum(eigvals) n np.searchsorted(cumsum, threshold) 1 return n, cumsumrbf_kernel直接算核矩阵然后手动中心化。中心化公式是 K - 1_N K - K 1_N 1_N K 1_N其中 1_N 是全 1 矩阵除以 N。eigvalsh用于对称矩阵返回升序特征值反转后降序。np.maximum把负特征值截断到 0这是数值计算常见的后悔药。searchsorted找到累计贡献率首次超过阈值的位置。实际项目中我一般会同时看累计贡献率和重构误差取两者建议的较大值。因为退化指标对信息完整性要求高宁可多保留一个主成分也不要因为降维过度丢掉早期微弱故障信息。3.3 变工况下的特征归一化策略按工况分组还是全局变转速变载荷数据有个棘手问题不同工况下特征分布差异大。如果全局归一化高转速工况的特征值大会主导归一化尺度低转速工况的特征被压缩到很小范围KPCA 提取的主成分主要反映工况差异而不是退化差异。两种策略。策略一按工况分组归一化。先根据转速和载荷把数据分成若干工况组每组单独计算均值和标准差组内归一化。这样消除工况影响但要求工况标签已知且每个工况组样本量足够。策略二全局归一化但加入工况特征。把转速和载荷也作为特征输入 KPCA让非线性降维自己去解耦。这种方法不需要工况标签但要求 KPCA 的核函数足够强能捕捉工况与退化之间的交互。我一般先用策略二因为工程现场往往拿不到精确的工况标签转速和载荷是从控制系统读的有延迟和噪声。如果策略二效果不好再退回策略一用聚类方法自动划分工况组。def normalize_by_condition(X, speeds, loads, n_groups4): 按转速和载荷聚类分组后归一化 from sklearn.cluster import KMeans condition_features np.column_stack([speeds, loads]) kmeans KMeans(n_clustersn_groups, random_state42) labels kmeans.fit_predict(condition_features) X_norm np.zeros_like(X) for g in range(n_groups): mask labels g if np.sum(mask) 10: continue scaler StandardScaler() X_norm[mask] scaler.fit_transform(X[mask]) return X_norm, labelsKMeans对转速和载荷聚类n_groups4是经验值工况复杂时可以增加到 6 或 8。每个簇内单独StandardScaler。注意如果某个簇样本少于 10跳过归一化保留原始值否则均值和标准差估计不可靠。返回的labels可以后续用来分析退化指标在不同工况下的一致性。4. RBFNN 回归建模从 KPCA 得分到健康度的映射与训练细节4.1 RBFNN 结构设计与隐含层神经元个数确定RBFNN 的输入维度等于 KPCA 保留的主成分个数通常 3 到 8 维。输出维度 1即健康度。隐含层神经元个数是关键超参数太少欠拟合太多过拟合。确定方法有三种。第一种经验公式神经元个数等于输入维度的 2 到 3 倍。第二种递增法从 5 个开始每次加 5 个看验证集误差误差不再下降就停止。第三种正交最小二乘从大量候选中心里逐个选择对输出贡献最大的自动确定个数。工程上常用第二种简单可控。隐含层中心向量的初始化用 KMeans 聚类聚类数等于神经元个数聚类中心作为初始中心。宽度参数有两种设法统一宽度取所有中心间平均距离的某个比例或者每个神经元单独设宽度取它到最近邻中心距离。统一宽度简单但数据分布不均匀时局部逼近能力差。我一般用每个神经元单独设宽度计算量稍大但效果更稳。class RBFNN: def __init__(self, n_input, n_hidden, n_output1): self.n_input n_input self.n_hidden n_hidden self.n_output n_output self.centers None self.widths None self.weights None def _rbf_activation(self, X, center, width): 高斯径向基函数 dist np.sum((X - center)**2, axis1) return np.exp(-dist / (2 * width**2)) def fit(self, X, y): from sklearn.cluster import KMeans # 用 KMeans 初始化中心 kmeans KMeans(n_clustersself.n_hidden, random_state42, n_init10) kmeans.fit(X) self.centers kmeans.cluster_centers_ # 计算每个中心的宽度到最近邻中心距离 from scipy.spatial.distance import cdist dists cdist(self.centers, self.centers) np.fill_diagonal(dists, np.inf) self.widths np.min(dists, axis1) # 构建隐含层输出矩阵 H np.zeros((X.shape[0], self.n_hidden)) for i in range(self.n_hidden): H[:, i] self._rbf_activation(X, self.centers[i], self.widths[i]) # 最小二乘求输出权重加正则项防止病态 lam 1e-3 self.weights np.linalg.solve(H.T H lam * np.eye(self.n_hidden), H.T y) return self def predict(self, X): H np.zeros((X.shape[0], self.n_hidden)) for i in range(self.n_hidden): H[:, i] self._rbf_activation(X, self.centers[i], self.widths[i]) return H self.weightsfit方法里KMeans初始化中心cdist算中心间距离np.fill_diagonal把对角线设为无穷大然后取每行最小值作为宽度。隐含层输出矩阵 H 的每一列是一个神经元的激活值。输出权重用带正则的最小二乘求解lam1e-3是正则系数防止 H^T H 奇异。predict方法重复计算 H 然后加权求和。参数说明n_hidden建议从 10 开始试如果验证集误差大就加到 20、30。lam在 1e-4 到 1e-2 之间调数据噪声大时取大一点。宽度计算用最近邻距离如果中心分布很不均匀可以改用全局平均距离乘以 0.5 到 1.0 的系数。4.2 训练集构建健康度标签怎么定才不引入主观偏差RBFNN 是监督学习需要健康度标签。但实际数据里健康度真值往往不知道只能根据维护记录近似。常见做法有三种。第一种线性衰减假设从全新到失效健康度从 1 线性降到 0。简单但不符合实际轴承退化通常前期慢、中期快、后期又慢呈 S 形。第二种基于失效阈值的分段线性根据振动烈度超过某个阈值的时刻作为失效点之前按时间比例线性插值。比第一种好但阈值选择主观。第三种无监督标签生成用 KPCA 第一主成分的某种变换作为伪标签再训练 RBFNN 去拟合。这种方法避免了人工标注但伪标签的质量依赖 KPCA 效果。我一般用第二种和第三种结合先用 KPCA 第一主成分看趋势确定大致失效点再用分段线性生成标签最后用 RBFNN 拟合。这样既利用了数据本身的结构又保留了工程判断。def generate_health_labels(rul, failure_threshold0.7): 基于剩余寿命生成健康度标签S 形映射 rul_norm rul / np.max(rul) # S 形函数前期慢中期快后期慢 health 1 / (1 np.exp(-10 * (rul_norm - 0.5))) # 归一化到 0-1 health (health - health.min()) / (health.max() - health.min()) return healthrul是剩余寿命可以用时间或循环次数表示。failure_threshold这里没直接用实际可以结合阈值做截断。S 形函数用exp实现系数 10 控制陡峭程度越大越接近阶跃。归一化保证输出在 0 到 1 之间。这个标签生成方式比线性更符合轴承退化规律但系数需要根据具体数据调整。4.3 训练过程监控早停、学习率与过拟合判断RBFNN 的输出权重用最小二乘直接求解没有迭代所以不存在学习率。但如果用梯度下降训练中心、宽度和权重就需要学习率和早停。早停策略把训练集按 8:2 分训练和验证每轮迭代后算验证集 MSE如果连续 10 轮不下降就停止取验证集误差最小时的参数。学习率初始设 0.01如果误差震荡就减半如果下降太慢就加倍。过拟合判断训练集 MSE 远小于验证集 MSE比如差一个数量级就是过拟合。解决方法是减少隐含层神经元个数、增大正则系数、增加训练样本。欠拟合则相反两个误差都大且接近需要增加神经元或降低正则。def train_with_early_stopping(model, X_train, y_train, X_val, y_val, epochs500, lr0.01, patience10): 梯度下降训练 RBFNN带早停 best_val_loss np.inf best_params None wait 0 for epoch in range(epochs): # 前向传播 H np.zeros((X_train.shape[0], model.n_hidden)) for i in range(model.n_hidden): H[:, i] model._rbf_activation(X_train, model.centers[i], model.widths[i]) pred H model.weights # 反向传播更新权重简化版只更新输出权重 error pred - y_train grad H.T error / X_train.shape[0] model.weights - lr * grad # 验证 H_val np.zeros((X_val.shape[0], model.n_hidden)) for i in range(model.n_hidden): H_val[:, i] model._rbf_activation(X_val, model.centers[i], model.widths[i]) val_pred H_val model.weights val_loss np.mean((val_pred - y_val)**2) if val_loss best_val_loss: best_val_loss val_loss best_params model.weights.copy() wait 0 else: wait 1 if wait patience: break model.weights best_params return model, best_val_loss这段代码只更新输出权重中心固定为 KMeans 结果。lr0.01是初始学习率patience10是早停耐心值。每次验证后如果损失下降就保存权重否则等待计数加一超过耐心值就停止。最后恢复最佳权重。注意这里没有更新中心和宽度因为 KMeans 初始化已经给了不错的中心微调它们容易过拟合。如果数据量很大可以加中心微调但学习率要更小。5. 避坑与排查变工况退化指标构建中的五个血泪教训5.1 现象退化指标曲线在工况切换点出现尖峰原因特征未做工况解耦解决加入工况特征或分组归一化工况切换时转速和载荷突变振动信号的非平稳性急剧增加。如果特征提取窗口跨越切换点时域和频域特征都会出现异常值。KPCA 虽然能非线性降维但如果训练数据里切换点样本少它学不到这种模式RBFNN 会把异常值映射成健康度突变。解决方法是要么在特征提取时避开切换点用切换后稳定运行的数据要么把转速和载荷作为特征输入 KPCA让降维过程自己解耦要么按工况分组归一化。我一般先试第二种不行再退回第三种。5.2 现象早期故障阶段退化指标平坦原因KPCA 主成分被工况方差主导解决按工况分层做 KPCA 或加权核矩阵早期故障的特征变化很微弱如果工况方差远大于退化方差KPCA 的前几个主成分主要反映工况差异退化信息被压到后面的主成分里。而 RBFNN 通常只用前几个主成分导致早期故障被忽略。解决方法是分层做 KPCA先按工况分组每组单独做 KPCA提取组内主成分再合并。或者给核矩阵加权降低工况差异大的样本对的权重。加权核矩阵的实现复杂一些但效果更平滑。5.3 现象RBFNN 训练误差很小但测试集退化指标震荡原因隐含层神经元过多导致过拟合解决减少神经元并增大正则训练误差小说明 RBFNN 拟合能力强但测试集震荡说明它把训练数据里的噪声也学进去了。变工况数据里工况切换和传感器噪声都会产生异常样本RBFNN 的局部响应特性让它对这些异常特别敏感。解决方法是减少隐含层神经元个数从 30 降到 15 甚至 10同时增大正则系数lam从 1e-3 加到 1e-2。另外训练集里要剔除明显的异常样本比如振动幅值超过正常范围 5 倍以上的切片。5.4 现象不同轴承的退化指标曲线形态差异大原因健康度标签生成方式不一致解决统一标签生成规则并做曲线对齐同一批轴承即使型号相同个体差异也会导致退化速率不同。如果健康度标签按各自的时间比例生成曲线形态会被人为拉齐但实际退化模式差异被掩盖。如果按绝对时间生成曲线形态又差异太大没法比较。解决方法是统一标签生成规则比如都用 S 形函数但参数根据各自失效时间调整。然后做曲线对齐用动态时间规整或简单的线性缩放把不同轴承的指标曲线映射到同一时间尺度上。这样既保留了个体差异又便于横向比较。5.5 现象在线部署时指标计算延迟大原因KPCA 和 RBFNN 每次都要重新计算核矩阵解决预计算训练集核矩阵并缓存模型参数在线部署时每来一个新样本KPCA 需要计算它和所有训练样本的核函数值如果训练集有几千个样本计算量不小。RBFNN 还要算隐含层激活虽然比 KPCA 快但累积起来也有延迟。解决方法是预计算训练集的核矩阵和特征向量在线时只需要算新样本和训练样本的核函数值然后投影到已训练好的主成分空间。RBFNN 的中心、宽度和权重都缓存好在线只做前向传播。这样单次计算延迟可以降到毫秒级。6. 进阶技巧用单调性约束和集成策略提升退化指标可靠性6.1 在 RBFNN 损失函数里加单调性惩罚项退化指标理论上应该单调但实际数据里总有波动。可以在 RBFNN 的损失函数里加一项惩罚指标随时间的非单调变化。具体做法是对训练集里时间相邻的样本对如果后一个样本的健康度大于前一个就加惩罚。def monotonicity_loss(y_pred, time_stamps, lambda_mono0.1): 单调性惩罚时间靠后的健康度不应大于时间靠前的 sorted_idx np.argsort(time_stamps) y_sorted y_pred[sorted_idx] diff y_sorted[1:] - y_sorted[:-1] # 只惩罚正差值健康度上升 penalty np.sum(np.maximum(diff, 0)**2) return lambda_mono * penaltytime_stamps是每个样本的时间标签sorted_idx按时间排序diff是相邻健康度差值。np.maximum(diff, 0)只保留正值即健康度上升的部分平方后求和。lambda_mono控制惩罚强度太大会导致指标过于平滑丢失早期故障信息一般取 0.05 到 0.2。6.2 多模型集成不同核参数和不同神经元个数的投票单个 RBFNN 的退化指标可能受初始化和超参数影响。用集成策略可以提升鲁棒性。具体做法训练多个 RBFNN每个用不同的 KPCA 带宽和不同的隐含层神经元个数然后对它们的输出做加权平均。权重可以用验证集误差的倒数。def ensemble_predict(models, X, weightsNone): 多模型集成预测 preds np.array([m.predict(X) for m in models]) if weights is None: weights np.ones(len(models)) / len(models) return np.average(preds, axis0, weightsweights)models是训练好的 RBFNN 列表weights是权重向量。np.average按权重平均。权重可以按验证集 MSE 的倒数归一化得到。集成通常能把测试集指标的方差降低 20% 到 30%代价是训练和推理时间成倍增加。6.3 验证退化指标好坏的三个定量指标不能只看曲线好不好看要用定量指标。第一个单调性指标计算指标序列的 Spearman 相关系数越接近 1 越好。第二个鲁棒性指标计算指标序列的平滑度用一阶差分的标准差除以均值越小越好。第三个一致性指标不同轴承的指标曲线做动态时间规整后的平均距离越小越好。from scipy.stats import spearmanr def evaluate_degradation_index(health, time_stamps): 评估退化指标质量 # 单调性 mono, _ spearmanr(time_stamps, health) # 鲁棒性 diff np.diff(health) robustness np.std(diff) / (np.mean(np.abs(diff)) 1e-8) return {monotonicity: mono, robustness: robustness}spearmanr算秩相关系数mono越接近 1 单调性越好。robustness用差分标准差除以差分均值绝对值越小说明指标越平滑。这两个指标结合起来看单调性高于 0.9 且鲁棒性低于 0.5 就算不错。我自己的习惯是每次调完参数先把这三个指标算一遍再画曲线看。有时候曲线看着漂亮但单调性只有 0.7说明波动还是大上线后可能误报。宁可单调性 0.95 但曲线不那么光滑也不要 0.7 的漂亮曲线。希望帮到你。本文还有配套的精品资源点击获取
