《表2 EEMD排列熵和EMD排列熵的准确率》

  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CEEMDAN排列熵与SVM的螺旋锥齿轮故障识别》

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

为了进一步说明CEEMDAN排列熵的优越性，用EEMD和EMD将上述3种状态螺旋锥齿轮振动信号进行分解，计算IMF1～IMF3，…，IMF1～IMF8的排列熵，并组成高维特征向量输入SVM进行识别，结果如表2所示。由表2可知，利用EEMD需要提取前7阶IMF排列熵才能正确识别3种状态螺旋锥齿轮，而在同样的特征提取方法下，CEEMDAN仅需提取前两阶IMF的排列熵。特征向量维数越高，SVM的训练与测试所需的时间越长，同样体现了CEEMDAN的优越性。