《表4 平均测试准确率：多共振分量融合CNN的行星齿轮箱故障诊断》

  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

《多共振分量融合CNN的行星齿轮箱故障诊断》

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

%

为验证提出方法的有效性，首先将MRCF-CNN模型与传统的浅层机器学习方法进行了对比。从振动信号中提取时域特征并分别作为k最近邻（k-Nearest Neighbor，简称kNN）、支持向量机（support vector machines，简称SVMs）和浅层神经网络（shallow neuron networks，简称SNN）的输入，所得到的平均测试准确率如表4所示。可以看出，所提出的MRCF-CNN的平均测试准确率相较于kNN，SVMs和SNN分别提高了7.77%，13.23%和16.77%，验证了MRCF-CNN的有效性。