《表4 测试集-D模型评价指标》

  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

《基于改进型深度网络数据融合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

针对本研究中的多分类问题，在计算某一类的评价指标时可将其余类均视为反例，由此得到测试集-D的评价指标值（表4）和精确率（P）混淆矩阵（图8）。可以看到，即使在不平衡训练集-D的模型训练下，测试集-D的精确率和召回率都较高，对IF3、RF3、OF3这3类数据量较小的样本也可得到较高的精确率、召回率以及F1值，说明卷积神经网络模型不仅对均衡样本有着很好的分类识别性能，对不均衡样本也能得到较为理想的分类效果，也验证了引入weighted-softmax-loss和正则项对模型泛化性能的提升效果，从而客观地评估了模型的性能。