1.2 reportNg之properties修改

本文详细介绍了ReportNG的配置选项,包括属性修改如atTime、causedBy等,以及报告生成的相关参数如failed、passed、skipped状态的描述。新增了endTime、exception等字段,深入解析了测试报告的各项指标。

1、reportng.properties修改

atTime=at
causedBy=Caused by
chronology=Chronology
clickToExpandCollapse=Click to expand/collapse
coverageReport=Coverage Report
dependsOnGroups=Depends on group(s)
dependsOnMethods=Depends on method(s)
duration=Duration
failed=Failed
failed.tooltip=Some tests failed.
failedConfiguration=Failed Configuration
failedTests=Failed Tests
generatedBy=Generated by <a href="http://www.testng.org" target="_top">TestNG</a> with <a href="http://reportng.dev.java.net" target="_top">ReportNG</a>
groups=Groups
groupsFor=Groups for
logOutput=Log Output
logOutput.description=Combined output from all calls to the log methods of the <a href="http://testng.org/javadocs/org/testng/Reporter.html">TestNG Reporter</a>.
method=Method
methodArguments=Method arguments
notApplicable=N/A
onDate=on
overview=Overview
passed=Passed
passed.tooltip=All tests passed.
passedTests=Passed Tests
passRate=Pass Rate
skipped=Skipped
skipped.reason=Reason
skipped.tooltip=All executed tests passed but some tests were skipped.
skippedConfiguration=Skipped Configuration
skippedTests=Skipped Tests
endTime=End Time
suites=Suites
testDuration=Test duration
thread=Thread
total=Total
exception=Exception&Log
shot=Screenshot
discription=Discription
author=Author By WuXiaoWei

注:新增了endTime、exception、shot、discription、author

内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值