《表3 不同迁移学习方法对比》
其次将所提方法与经典迁移学习方法进行对比,对比方法有Tr AdaBoost,迁移成分分析(Transfer component analysis,TCA)以及联合分布适配(Joint distribution adaptation,JDA)[19]。所有方法的输入均为400维度的原始振动数据,训练数据均为源域数据集中的200个训练样本,目标域中的99个测试样本作为测试数据。重复试验的具体结果如表3所示。由表可知,所提方法的平均诊断准确率明显高于其他3种经典迁移学习方法的71.68%,75.19%和72.02%。这三种学习方法虽具有一定的迁移能力,但并不具备足够的特征学习能力,无法从原始数据中挖掘代表性特征信息。
图表编号 | XD00163861000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.05 |
作者 | 邵海东、张笑阳、程军圣、杨宇 |
绘制单位 | 湖南大学汽车车身先进设计制造国家重点实验室、中国航空工业集团公司西安航空计算技术研究所、湖南大学汽车车身先进设计制造国家重点实验室、湖南大学汽车车身先进设计制造国家重点实验室 |
更多格式 | 高清、无水印(增值服务) |