《表3 信噪比增量图：结合马田系统-SVM的滚动轴承故障模式分类研究》
提示：宽带有限、当前游客访问压缩模式
通过前面章节的计算，得到了9个SVM分类器的初始特征空间。然后使用马田系统对每个特征空间进行降维，得到精简特征空间。表3是每个分类器的参数。
| 图表编号 | XD00201629700 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2021.03.15 |
| 作者 | 韩卫宇、程龙生 |
| 绘制单位 | 南京理工大学经济管理学院、南京理工大学经济管理学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表4 频域特征样本：基于GAPSO-SVM的滚动轴承故障分类方法》2021.01.15
- 《表3 时域特征样本：基于GAPSO-SVM的滚动轴承故障分类方法》2021.01.15
- 《表1 数据集信息：基于PCANet＿SVM的滚动轴承故障诊断》2020.11.01
- 《表3 耗时和粒子数对比：基于VMD与GWO优化SVM的轴承故障诊断》2021.01.01
- 《表3 滚动轴承参数：碰摩故障下转子-MRD系统的动力学特性研究》2021.01.08
- 《表4 故障类型预测结果：结合马田系统-SVM的滚动轴承故障模式分类研究》2021.03.15
- 《表6 测试集混淆矩阵：结合马田系统-SVM的滚动轴承故障模式分类研究》2021.03.15
- 《表1 数据集的划分：SSAE和IGWO-SVM的滚动轴承故障诊断》2020.04.01
- 《表3 小波能量分布：SSAE和IGWO-SVM的滚动轴承故障诊断》2020.04.01
- 《表4 参数设置：SSAE和IGWO-SVM的滚动轴承故障诊断》2020.04.01
- 《表3 模式识别方法概述：复杂装备滚动轴承的故障诊断与预测方法研究综述》2020.03.31
- 《表3 部分特征向量：EEMD结合概率神经网络的风力机轴承故障诊断研究》2020.06.08
- 《表3 三种SVM的滚动轴承故障模式识别正确率》2020.06.08
- 《表3 故障分类标签表：基于LDA-GA-SVM的船舶电力推进系统故障诊断》2020.08.01
- 《表2 基于小波包和MIX-SVM的滚动轴承故障识别结果》2019.12.01
- 《表1 时域指标计算公式：基于PCA-SVM的轴承故障诊断研究》2019.09.05
- 《表2 时域指标参数值：基于PCA-SVM的轴承故障诊断研究》2019.09.05
- 《表3 故障诊断结果：基于PCA-SVM的轴承故障诊断研究》2019.09.05
- 《表3 结合极化特征的SVM分类样本混淆矩阵》2019.06.30
- 《表3 分类精度：一种结合纹理特征的极化SAR图像SVM分类方法》2018.10.25