《表2 不同识别方法下的实验结果》

  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

为了验证本文所提出方法相对浅层学习对高维数据具有的自主提取特征和状态识别的优势，以本文所得Hilbert边际谱为输入向量，将本文方法的识别结果与基于相同网络结构、学习算法和激活函数的三隐含层BP神经网络、SVM分类器的识别结果进行对比。其中，每类放电取100个训练样本和50个测试样本（即共包含训练样本400个、测试样本200个）。本文识别方法中，SAE和DNN的批量训练样本数均设为5，迭代次数为100，自适应步长的调节参数为τ=30，激活函数为sigmoid函数；BP神经网络最大迭代次数为100，最大允许误差为0.001，激励函数选择sigmoid函数；SVM的核参数选为（100，10）。三种识别方法的正确识别率及所需训练时间和识别时间如表2所示。依次改变训练样本数量的大小，三种识别方法的识别结果见图3。