使用Matlab进行深度学习 轴承故障诊断（总）
这是轴承诊断的最后一篇，近期不会再在该方向进行更新了。在之前的两篇文章中，主要讲述了CNN进行轴承故障诊断，二者的区别在于 1. 图像生成不同 2. 卷积网络不同。在本文中，将使用九种方法进行故障诊断。分别为：CNN, SVM, BP网络, SAE, DELM, 优化的DELM（遗传算法，粒子群算法，麻雀搜索算法）, ELM, KELM, 自己优化的算法【暂不公开】。
对于轴承故障诊断的基本介绍在之前的文章，所以不再赘述。本文联合对比多种方法，并且有一定的创新优化。
一、数据集
本文采取的数据集依然是 CWRU数据集，凯斯西储大学。或者采用本文整理的数据集，经过整理之后的格式如下
在本次实验中，不仅使用了轴承数据，对于其他分类任务数据集也进行了实验，如Iris数据集，读者可以再其他数据集进行试验。
二、多方法对比
[*]SVM
支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）
实验结果：
2. BP算法
3. 优化的DELM，主要采用麻雀算法，粒子群算法，遗传算法优化
4. 多种优化算法
页:
[1]