《表2 42个人工提取的经典特征》

  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

《区分自编码网络及其在滚动轴承故障特征提取中的应用》

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

作为对比，本文从时域、频域、时频域提取了表2所示的42个人工提取的经典特征[19]。通过t分布随机邻域嵌入技术（t-SNE）对标准SAE、Sd-AE以及人工提取的特征降为二维并进行可视化，结果如图7所示[20]。从图中可以看出，标准SAE提取的特征不能将样本很好地分开，保持架故障样本与滚动体故障样本有明显重合；Sd-AE提取的特征效果和人工提取的特征效果相当，均能有效地对不同状态的样本进行区分。为了定量对比3种方法提取特征的效果，计算类内距、类间距如下