《表3 不同迁移学习方法对比》

  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

《基于提升深度迁移自动编码器的轴承智能故障诊断》

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

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。