《表2 初始参数：基于深度学习LSTM的空调故障诊断》
提示：宽带有限、当前游客访问压缩模式
测试集选用故障严重程度为一级的数据集。为避免实验测试的偶然性，其中每次实验进行30次取实验结果的平均值。通过固定其它参数不变而变化一种参数进行实验。初始参数如表2。
| 图表编号 | XD0082515000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.06.01 |
| 作者 | 花君、严珂、陆慧娟、叶敏超 |
| 绘制单位 | 中国计量大学信息工程学院、中国计量大学信息工程学院、中国计量大学信息工程学院、中国计量大学信息工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表2 实验电机参数：采用深度学习的永磁同步电机匝间短路故障诊断方法》2020.09.01
- 《表2模型各层具体参数：基于LSTM深度学习的大豆期货价格预测》2021.02.15
- 《表2 故障分类表：基于广义深度学习的含DG配网故障诊断方法》2020.11.25
- 《表3 数据集划分：基于深度学习的观光车轴承故障诊断》2020.11.25
- 《表1 根源故障：基于深度学习的网络故障诊断》2020.05.12
- 《表1 网络结构参数：基于深度度量学习的电机故障诊断》2020.07.18
- 《表1 故障程度判定规则：基于深度学习的齿轮箱故障模糊诊断方法》2020.04.20
- 《表3 本文方法的参数：基于小波、WAE和LSTM的压裂车故障诊断》2019.10.10
- 《表3 LSTM模参数：基于深度学习的核电站事故预测及故障诊断方法》2019.12.10
- 《表1 DBN超参数设置：基于拓扑解析与深度学习融合的低压集抄系统故障诊断方法》2019.10.25
- 《表1 样本数据：基于深度学习的液压监测系统蓄能装置故障诊断》2019.09.20
- 《表2 深度神经网络参数：基于深度学习的液压监测系统蓄能装置故障诊断》2019.09.20
- 《表2 行星齿轮箱参数：基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法》2019.06.01
- 《表1 模型结构参数：基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法》2019.06.01
- 《表6 变负载诊断结果：基于小波包-AR谱和深度学习的轴承故障诊断研究》2019.06.01
- 《表4 故障诊断测试集：基于小波包-AR谱和深度学习的轴承故障诊断研究》2019.06.01
- 《表1 故障严重性级别：基于深度学习LSTM的空调故障诊断》2019.06.01
- 《表3 最优模型参数：基于深度学习LSTM的空调故障诊断》2019.06.01
- 《表3 故障诊断结果：基于深度学习与信息融合的燃气轮机故障诊断》2019.12.08
- 《表6 决策层融合结果：基于深度学习与信息融合的燃气轮机故障诊断》2019.12.08