关于轴承故障分类方法CNN+SVM和ELM的补充

上一篇文章里主要讲了CNN+SVM的实现方法，但是还有2个问题没有涉及，一是这种方法到底有没有改善的效果，二是ELM方法效果如何。通过这篇文章我进行具体展示。

0.CNN+SVM

首先为了区分方法的优劣，在单工况下肯定是不行的，因为很容易就达到100%了。因此，这次选择在3种工况下进行交叉验证，运行5次以后取平均值，结果如下：

>第1次 cnn: 88.68 cnn+svm: 91.75 耗时296.9 sec
>第2次 cnn: 86.29 cnn+svm: 73.42 耗时297.6 sec
>第3次 cnn: 91.80 cnn+svm: 92.44 耗时296.5 sec
>第4次 cnn: 87.27 cnn+svm: 88.18 耗时305.5 sec
>第5次 cnn: 89.95 cnn+svm: 84.51 耗时283.0 sec
A-B cnn准确率: 100.00  cnn+svm准确率: 96.60 
A-C cnn准确率: 85.90  cnn+svm准确率: 90.20 
B-A cnn准确率: 92.09  cnn+svm准确率: 96.39 
B-C cnn准确率: 91.86  cnn+svm准确率: 97.10 
C-A cnn准确率: 80.00  cnn+svm准确率: 64.17 
C-B cnn准确率: 82.94  cnn+svm准确率: 71.90 
总用时：1479.6sec 
训练平均用时：295.9sec 
Accuracy1 cnn: 88.80% (+/-1.95) 
Accuracy2 cnn+svm: 86.06% (+/-6.93)

由上可见，二者差别不大，如果不是第二次偏差过大，估计差别会很小。在训练