《表2 各个网络层输出维数》

  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

《基于一维卷积神经网络的齿轮箱故障诊断研究》

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

根据上文对一维卷积神经网络结构的介绍，多层卷积池化可提升网络性能，但是由于样本长度限制，采用3层以上卷积池化层时，最后一层池化层的输出维数可能小于标签维数，会极大降低网络性能，故设计具有3个卷积池化层的一维卷积神经网络.全连接层采用ReLU激活函数，前两个实验输出层采用softmax激活函数，第3组实验因标签含有多个1，故输出层采用tanh函数.根据张伟[13]的研究，第1层卷积采用大卷积核能取得较好的训练效果，故第1层卷积核大小为64，其余各层卷积核池化核大小均为4.为控制变量，全连接层神经元个数与第3层池化输出维数一致，输出层神经元个数与标签维数一致.为使结果具有较大差异便于比较，卷积层未采用激活函数，网络各层均未采用dropout.为加快训练速度，采用Adam算法更新权值，设置学习率为0.001，同时采用小批量梯度下降法，批量大小为200.网络各层输出维数如表2所示.