《表2 不同迁移条件下滚动轴承故障诊断精度（单位：%）》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于无监督迁移成分分析和深度信念网络的轴承故障诊断方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

首先根据不同工况数据集的迁移诊断任务进行故障诊断分析。UTCA算法参数初始设置：核宽度为[10-3，10-2，10-1，1，10，102]的高斯径向基核函数，正则化参数μ为[10-3，10-2，10-1，1，10，102，103]。选择使UTCA模型的目标函数取得最小值时的核宽度和μ为最优参数组合，并以UTCA模型输出数据集作为DBN源域样本集（训练数据集）和目标域样本集（测试样本集）的输入。DBN结构参数的选取：采用经典的4层结构，两个隐层节点数分别为100、100，学习率ζ=10-4，正则化参数λ=10-4。为减小随机初始化的训练参数对本文方法诊断结果的影响，重复验证20次，不同迁移条件下的故障识别准确率如表2所示，表中还列出了没有进行数据迁移而直接根据源域样本数据，分别采用支持向量机（SVM）、BP神经网络（BPNN）和普通DBN方法对目标域样本进行故障识别的准确率。