《表3 在不同样本数量下训练时间和正确识别率对比》

  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Hilbert边际谱和SAE-DNN的局部放电模式识别方法》

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

本文在对DNN进行训练前，以SAE初始化网络的权值矩阵W和偏置向量b，同时以自适应步长的学习速率改进SAE和DNN训练过程中全局学习速率固定不变的缺陷，可以有效提高训练过程的收敛速度。设置训练误差阈值er=0.05，即er<0.05可认为训练达到了较高的精度。不同样本规模下，CNN，DNN和本文采用的自适应学习速率的SAE-DNN在训练过程中，训练误差达到er阈值以下所需的训练时间及正确识别率如表3所示。为了避免随机性对试验结果的影响，重复试验过程并以记录结果的平均值作为最终结果。