《表2 两种方法数据对比：基于VMD参数优化和样本熵的低压断路器故障诊断》
提示：宽带有限、当前游客访问压缩模式
为了加强对比效果，同样对BP神经网络进行训练和测试。图13所示为BP神经网络预测结果，存在5个样本点无法识别。表2为SVM和BP神经网络效果对比数据。
| 图表编号 | XD00208201100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2021.02.25 |
| 作者 | 王兴宇、迟长春 |
| 绘制单位 | 上海电机学院电气学院、上海电机学院电气学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 部分数据样本：基于VMD参数优化和样本熵的低压断路器故障诊断》2021.02.25
- 《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2 对比方法：基于VMD-CNN的水电机组故障诊断》2020.08.25
- 《表2 振动信号特征向量：基于CEEMDAN与样本熵的高压断路器机械故障诊断》2020.02.28
- 《表1 仿真振动信号参数：基于CEEMDAN与样本熵的高压断路器机械故障诊断》2020.02.28
- 《表1 状态类别表：基于主成分分析——支持向量机优化模型的断路器故障诊断方法研究》2020.06.16
- 《表1 样本特征序列：基于VMD-PE和M-RVM的滚动轴承故障诊断》2020.03.01
- 《表2 实验数据样本集：LF-PSO优化神经网络的高压断路器机械故障诊断》2019.10.18
- 《表4 两种方法结果比较：基于模糊RBF神经网络的高压断路器机构故障诊断》2019.10.16
- 《表1 对比分析：基于平滑先验分析和模糊熵的滚动轴承故障诊断》2019.10.01
- 《表2 测试数据：基于LVQ神经网络的高压断路器机械故障诊断方法》2019.08.16
- 《表2 部分故障特征集：基于VMD样本熵和KELM的输电线路故障诊断》2019.05.01
- 《表1 桨叶损伤设置：基于VMD交叉样本熵的旋翼桨叶故障诊断方法》2019.05.01
- 《表1 故障数据样本：基于自组织映射神经网络对低压断路器的故障诊断》2019.02.25
- 《表2 故障类型：基于自组织映射神经网络对低压断路器的故障诊断》2019.02.25
- 《表1 架空线路参数表：基于VMD能量相对熵的配电网单相接地故障选线方法》2019.03.15
- 《表2 架空线路长度：基于VMD能量相对熵的配电网单相接地故障选线方法》2019.03.15
- 《表4 部分识别结果：基于VMD算法的10 kV高压断路器机械故障诊断分析》2018.06.28
- 《表1 VMD能量熵：基于VMD算法的10 kV高压断路器机械故障诊断分析》2018.06.28
- 《表2 待测状态标号：基于VMD算法的10 kV高压断路器机械故障诊断分析》2018.06.28