《表3 不同训练集下的生成图片质量对比》

  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

《基于二维灰度图的数据增强方法在电机轴承故障诊断的应用研究》

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

由于DCGANs本身也需要一定数量的训练数据进行训练，因此在训练数据数量过少的情况下也无法生成高质量的生成数据，因此本实验对不同训练集数量下基于2D-DCGANs的数据增强方法的生成数据质量进行对比。表3展示了在训练集数量不同的情况下（对应表2中的实验3、4、5、6、7、8）生成数据质量对比。本文通过描述生成数据分布与原始数据分布的相关性以及相似度来判断数据生成质量，表中所展示的KL散度（kullback-leibler divergence，KL）、欧氏距离（euclidean distance，ED）、皮尔逊相关系数（pearson correlation coefficient，PCC）为3个衡量分布相似度的指标，前两者可视为2个分布间的距离，越小说明分布越相似，而后者为分布间的相关性，越大说明分布越相似。本文使用上述3个指标作为评判生成数据质量的依据。由于原始数据存在10种健康状态，使用了10个不同输入的生成模型进行训练，因此上述性能指标为10种模型的均值。表3中表示在训练数据低于500时，生成数据质量明显下降，对研究意义不大。因此后续的验证数据增强方法性能的实验均在训练集数量为1000的基础上进行。