《表2 两种方法运行结果对比Tab.2 Comparison of the two methods》

  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K-奇异值分解和层次化分块正交匹配算法的滚动轴承故障诊断》

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

不同故障状态下两种方法运行结果对比见表2。从表中可以看出，传统的Gabor-OMP方法需要从冗余度很高的字典中通过计算内积的方式选取原子，当原信号长度增加时，构造字典所需时间以及信号与原子之间内积运算的时间都会显著增加。相比Gabor-OMP方法，本文所提出的基于K-SVD和HBW-OOMP的方法无论是运行时间还是原子数目都有明显缩减，其原因在于K-SVD字典是一种依靠原信号的自学习训练方法，其原子结构与原信号相似度更高；另外，HBW-OOMP方法的分块思想也极大降低了进行内积运算的数据长度，从而减少了计算时间。从表示结果上看，本文方法由于选用的原子数量小，所以重构信号具有更高的稀疏度，并且对冲击信号特征的表示能力更强，更接近于原信号。