《表1 不同类型识别结果》

  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SOLPP维数约简的电机轴承故障特征提取》

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

采用SVM对提取低维特征进行分类识别，作为比较，同样采用SVM对未约简的特征、经PCA约简特征、经LPP约简的特征以及经OLPP约简的特征进行识别。在训练SVM时，SVM的核函数选用径向基核函数（RBF），惩罚参数C=1，核参数g=1，测试样本的识别结果如表1所示，其中None代表未采用维数约简方法。从表1可知，特征约简后的识别结果明显高于约简前，这表明提取的高维多域混合特征集中有干扰的特征存在，影响了识别效果，这也验证了进行降维的重要性。由于PCA属于线性的维数约简方法，对具有非线性特点的轴承故障特征并不太适用，故识别率不如另外3种非线性的维数约简方法。OLPP的投影矩阵正交，能真实反映故障数据本质流形结构，故其识别结果要比LPP要好。而SOLPP即保证了投影矩阵正交，还利用了样本的类别信息，可以有效地将不同故障状态的样本进行分离，使得维数约简的识别结果达到了最高的100%。