《表3 四种算法的平均分类结果 (%)》
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
《独立自适应学习率优化深度信念网络在轴承故障诊断中的应用研究》
为了更好地验证Nesterov动量法和独立自适应学习率对深度信念网络模型泛化能力的提升,使用Mometum,Adadelta[17]和Adam三种方法与本文提出的方法进行比较。计算十次试验结果的平均值作为最终结果,如表3所示。可以看到,对于不同载荷工况下的振动信号,IADLR-NM和Adadelta获得了最好的测试精度100%,而Adam获得了最低的测试精度80.45%和67.95%。图9所示为四种算法的测试误差,对于0 kN载荷工况下的信号,IADLR-NM得到的测试误差在前期迭代中相比于Adadelta较慢,在第十二次迭代之后,IADLR-NM取得更小的误差。对于3 kN载荷工况下的信号,IADLR-NM优化后的模型得到的测试误差收敛最快并且稳定,获得的误差小。在相同数量的样本下,NM-ADDBN能够提取出数据更具代表性的深层特征,提高了网络的泛化能力。
图表编号 | XD0068145000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.05 |
作者 | 沈长青、汤盛浩、江星星、石娟娟、王俊、朱忠奎 |
绘制单位 | 苏州大学轨道交通学院、苏州大学轨道交通学院、苏州大学轨道交通学院、苏州大学轨道交通学院、苏州大学轨道交通学院、苏州大学轨道交通学院 |
更多格式 | 高清、无水印(增值服务) |