《表1 Le Net-5网络参数设置》
一维LeNet-5网络中,第1层卷积层的卷积核尺寸和第2层全连接层的单元数对模型最终诊断精度影响较大;而一维AlexNet中,第3层和第4层的特征提取能力最强。若卷积核尺寸太小,则覆盖完整输入需要的卷积操作会显著增加,相应地,算法的运算时间也会显著增加;若卷积核尺寸太大,则无法精确定位输入数据中的特征,提取的特征可能会不明显且包含较多的冗余信息。同时,由于本次实验为二分类问题,分类数量较少,全连接层节点数过多也会导致分类的过拟合。经过反复调试,本文2种网络结构参数设置分别如表1和表2所示。
图表编号 | XD00162740800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.28 |
作者 | 谢胜龙、张为民、鲁玉军、张文欣、朱俊江、任国营 |
绘制单位 | 中国计量大学机电工程学院、浙江西子重工机械有限公司、中国计量科学研究院、浙江理工大学机械与自动控制学院、浙江西子重工机械有限公司、浙江理工大学机械与自动控制学院、浙江西子重工机械有限公司、中国计量大学机电工程学院、中国计量科学研究院 |
更多格式 | 高清、无水印(增值服务) |