《表2 EMD—样本熵与FastICA—样本熵均值》

  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

《基于改进EMD与FastICA—样本熵的齿轮故障特征提取方法》

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

经过FastICA分解，可以看出信号个别分量的周期性变得更加明显。为了对比分析在齿轮故障特征提取时，FastICA—样本熵算法的优越性，在采集的3种状态下的信号中分别选取6组样本，共18组信号序列，计算EMD分解后得到前3个IMF分量的样本熵与FastICA分解后前3个分量的样本熵，对两种情况下的样本熵均值进行比较，如表2所示。