《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》

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

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。