《表5 不同算法的实验结果》

  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

《基于稠密卷积网络的轴承故障诊断》

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

为了验证稠密卷积轴承故障诊断网络在分类性能上的优越性。实验中选取传统的反向传播神经网络（BPNN）、支持向量机（SVM）、深度自编码网络（DAE）以及卷积神经网络（CNN）进行了性能对比研究，其结果如表5所示。每一种对比方法的具体参数设置如下：（1)BPNN：以原始数据作为输入，含有3个隐层，每个隐层神经元个数依次为128、64、32。（2)SVM：以原始振动数据输入，采用径向基核函数，惩罚因子为9，核函数半径为0.008。（3)DAE：输入原始数据，经过三个浅层自编码的堆叠提取隐层特征输入到softmax分类器里分类，其中三个浅层自编码网络的隐层神经元个数分别为800、400、100。（4)CNN1：使用一维卷积，以原始振动数据作为输入，网络结构为1 200-c1（400）-s1（2）-c2（200）-s2（2）-100-10。（5)CNN2：采用文献[14]中CNN网络结构，将原始数据转换成本文的特征图（大小为40×30）作为输入，各参数的设置与文献[14]实验中的设置类似。