《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》
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。
图表编号 | XD00113323600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.01 |
作者 | 于重重、宁亚倩、秦勇、高柯柯 |
绘制单位 | 北京工商大学计算机与信息工程学院、北京工商大学计算机与信息工程学院、北京交通大学轨道交通控制与安全国家重点实验室、北京工商大学计算机与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |