《表1 优化算法参数表：基于深度置信网络的行星齿轮箱振动特征提取》
提示：宽带有限、当前游客访问压缩模式
为了选择最优的参数更新梯度优化算法，选择齿轮箱轴承振动数据训练测试上述优化算法，5种算法调优后的参数设置如表1所示。训练误差图如图3所示。
| 图表编号 | XD001161400 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.09.01 |
| 作者 | 李忠刚、何林锋 |
| 绘制单位 | 北京信息科技大学机电工程学院、北京信息科技大学机电工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 行星齿轮箱参数：基于包络阶比分析的太阳轮故障特征提取》2020.09.28
- 《表2 最优参数：基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究》2020.10.15
- 《表1 主要参数：基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究》2020.10.15
- 《表6 两种算法性能比较：GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用》2021.03.15
- 《表2 测试样本特征值：GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用》2021.03.15
- 《表3 算法测试结果：基于深度置信网络的用电负荷分析方法研究》2021.02.20
- 《仿真参数：基于深度确定性策略梯度的虚拟网络功能迁移优化算法》2021.02.01
- 《表2 行星齿轮参数：基于虚拟样机模型行星混动系统受迫振动响应分析》2020.11.01
- 《表1 样本基本特征：基于卷积深度置信网络的配电网故障分类方法》2019.11.10
- 《表1 设备技术参数表：基于SFLA-BP模型和KPCA特征提取的行星齿轮箱故障诊断》2020.04.15
- 《表1 分类结果准确率：基于深度置信网络的多特征融合音乐分类算法》2020.02.20
- 《表1 特征提取主体网络：基于深度可分离卷积的交通标志识别算法》2019.12.01
- 《表1 特征提取主体网络：基于深度可分离卷积的交通标志识别算法》2019.12.01
- 《表A1电压暂降类别：基于深度置信网络的电压暂降特征提取及源辨识方法》2020.02.25
- 《表2 行星齿轮箱参数：基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法》2019.06.01
- 《表1 模型结构参数：基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法》2019.06.01
- 《表1 试验参数设置表：基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法》2019.04.05
- 《表1 DBN混淆矩阵：基于深度置信网络(DBN)的赤潮高光谱遥感提取研究》2019.04.01
- 《表1 行星齿轮箱参数：基于包络加窗同步平均的行星齿轮箱特征提取》2019.04.01
- 《表1 设备技术参数表：基于PSO-FC优化KPCA的特征提取及行星齿轮磨损损伤程度识别》2019.02.15