《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》

  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VMD与GWO优化SVM的轴承故障诊断》

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

由VMD分解得到的56维特征向量维数过高，会造成信息冗余、维数灾难，还会对分类器的计算造成不良影响。为了去除冗余特征，提取高贡献率的特征向量，采用基于流形学习方法的t-sne的降维方法，将56维特征向量降低为3维特征向量，降维后数据样本如图2所示。将降维后部分特征向量做归一化处理，数据如表3所示。