《表2 SSMMDL与其他方法的分类性能》

  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

《基于半监督最大间隔字典学习的故障诊断方法》

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

3）将所提方法SSMMDL与MMDL，LC-KS-VD，D-KSVD、稀疏表示分类器（sparse representation based classifier，简称SRC)[21]进行对比，以进一步验证所提方法的优越性。设置φhigh=φlow=0，即所有新样本全部进行标记，SSMMDL与其他几种字典学习方法的对比结果如图6和表2所示。可以看出，笔者所提方法的识别率优于其他方法，尤其当有标记样本数较少时，所提方法更显示了优越的性能。MMDL是一种有监督的最大间隔字典学习，仅利用有标记样本实现字典和分类器的同步学习，因此分类性能低于SSMMDL。D-KSVD和LC-KSVD2均为监督方法，利用有标记样本进行训练和分类，因此分类性能尚可。由于SRC是一种无监督方法，分类性能最差。而从运行效率角度，尽管所提方法的运行时间比其他3种方法耗时稍多，但完全可以满足在线监测的要求。通过上述的对比分析可知，基于SSMMDL的半监督字典学习算法体现了一定的优越性。