《表1 卷积模型参数表：基于全矢-CNN的轴承故障诊断研究》
提示：宽带有限、当前游客访问压缩模式
卷积网络模型有2个卷积层，2个池化层，1个全连接层，神经元个数为32，卷积结构参数如表1所示。
| 图表编号 | XD00229856900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.09.10 |
| 作者 | 郝旺身、陈耀、孙浩、付耀琨、李伟 |
| 绘制单位 | 郑州大学机械与动力工程学院、郑州大学机械与动力工程学院、郑州大学机械与动力工程学院、河南省交通运输厅航务局、郑州大学机械与动力工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 CNN各层参数：基于CNN特征提取及模型融合的飞机液压系统故障诊断》2020.10.20
- 《表2 模型训练参数：基于全矢-CNN的轴承故障诊断研究》2020.09.10
- 《表2 最优参数：基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究》2020.10.15
- 《表1 主要参数：基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究》2020.10.15
- 《表6 诊断准确率：基于EEMD-CNN的滚动轴承故障诊断方法》2020.10.15
- 《表4 软件配置环境参数：基于EMD二值化图像和CNN的滚动轴承故障诊断》2021.02.01
- 《表3 硬件配置环境参数：基于EMD二值化图像和CNN的滚动轴承故障诊断》2021.02.01
- 《表3 故障类型划分：基于CDAE与CNN的滚动轴承故障诊断方法》2020.11.25
- 《表2 WGAN模型参数：数据失衡下基于WGAN和GAPCNN的轴承故障诊断研究》2020.12.05
- 《表2 CNN训练参数：基于卷积神经网络的脑部CT智能辅助诊断分析方法研究》2020.12.05
- 《表1 部分专有名词翻译：基于VMD与CNN的滚动轴承故障诊断方法》2020.12.01
- 《表1 数据集的详细信息：基于稠密卷积网络的轴承故障诊断》2020.08.18
- 《表2 轴承参数：基于卷积神经网络的风电机组轴承机械故障智能诊断方法》2020.07.30
- 《表2 卷积核参数设置：基于CNN的电力变压器故障诊断方法》2020.07.05
- 《表1 实验用数据集：基于多尺度卷积策略CNN的滚动轴承故障诊断》2020.06.15
- 《表3-1轴承主要参数：基于最小熵解卷积与谱峭度融合的变速器轴承故障诊断》2019.11.01
- 《表1 轮对轴承参数：基于卷积稀疏表示及等距映射的轴承故障诊断》2019.10.01
- 《表1 实验轴承参数：全矢KPCA和AR模型结合的滚动轴承故障预测方法》2019.11.08
- 《表1 实验轴承参数：全矢谱和稀疏分解结合的轴承故障特征提取》2019.06.08
- 《表1 实验样本信息表：基于卷积神经网络的滚动轴承故障诊断算法》2019.04.25