《表5 不同分类器的分类指标Table 5 Classification index of different classifiers》

  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

《SVM与PSO相结合的电机轴承故障诊断》

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

研究分别采用了决策树（DT），BP神经网络，深度信念网络（DBN），常规SVM等常用算法，使用相同的数据样本进行训练与测试，随机选择训练与测试样本，并与PSO-SVM算法进行比较，测试准确率取10次平均值。对比结果如表5所示。决策树用时较少，但故障诊断准确率有待提高；BP神经网络利用特征样本训练，在迭代30次之后的识别率为93.33%，低于PSO-SVM方法。DBN输入为归一化之后的原始数据集，由于网络包括3层隐含层，因此用时较多，但识别率较低，由此可见，深度网络在小样本的情况下并不适用；使用Matlab的默认SVM参数，虽然用时较少，但识别率较低；而在使用粒子群算法优化之后，识别率有了显著提高。