《表2 不同方法之间的误差对比》

  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T-SNE样本熵和TCN的滚动轴承状态退化趋势预测》

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

为了定量分析本方法的优越性，在由T-SNE样本熵算法提取滚动轴承的状态特征后，使用在诸多时间序列预测问题上取得了很好效果的LSTM算法和GRU算法对滚动轴承的状态退化趋势进行预测。LSTM网络中，输入维数为8，隐层维数为8，输出维数为1。GRU网络中，输入维数为6，隐层维数为8，输出维数为1。LSTM和GRU均采用Adam优化器，最大迭代次数为100次，损失函数为均方误差函数。预测结果如图9和10所示，并使用预测得到的均方根误差（root mean squared error，RMSE）对3种算法的预测结果进行比较，如表2所示。