《表2 基于KNN、SVM的滚动轴承整体识别准确率》

  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

《基于高斯过程隐变量模型的滚动轴承故障识别》

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

进一步地，将上述实验数据应用于SVM多分类模型中。采用libsvm工具包，选择RBF核函数，通过网格查找法获得隐变量的核函数最优参数，用于训练与测试。从表2中KNN和SVM滚动轴承整体识别结果可以看出，KNN整体识别准确率略高于SVM，基于GP-LVM所提取的隐变量使得两种识别方法的准确率均高于PCA、LE和Isomap方法。从而表明，KNN有着良好故障识别能力；同时，GP-LVM很好提取了高维空间的本质信息，区分出不同的状态类别，明显地提高状态类别准确率。