《表1 LSSVDR和HLSSVDR运行时间及预测误差Tab.1 The elapsed time and prediction error of LSSVDR and HLSSVDR》

  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HLS-SVDR和SPPCS的CEEMD的滚动轴承微故障特征提取》

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

将同伦-最小二乘支持向量双回归与最小二乘支持向量双回归对振动信号CEEMD分解的包络均值m1（t）做实验对比。使用张量方法，将m1（t）数据序列重构为X′和X″。使用量子遗传（QGA）算法对最小支持向量双回归的惩罚参数C0，Cm及核参数σ及同伦-最小支持向量双回归的惩罚参数C0，λm及核参数h进行最优选择。实验结果如图11，12和表1所示。表1是对图11中的HLSSVDR算法和图12中LSSVDR算法在训练和测试精度、运行时间进行的对比分析。根据实验结果可知，基于HLSSVDR算法在预测精度及运算时间上都优于LSSVDR算法。