《表3 不同模式识别方法的平均准确率》

  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CEEMDAN-深度信念网络的超低速滚动轴承故障诊断》

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

为了进一步验证本文所提方法的有效性，在训练集与测试集样本数相同的情况下，采用经典的模式识别方法（SVM与BP神经网络）对数据集A（EEMD能量熵）和数据集B（CEEMDAN能量熵）进行模式识别。其中，SVM选取径向基核函数，惩罚系数为0.0313，核参数为4；BP神经网络的结构为9-10-5，网络学习率设置为0.01，训练误差为0.001，最大迭代次数设置为1000次，激活函数使用S型函数。每组实验重复10次，不同方法的模式识别分类平均准确率和对应的标准偏差如表3所示。