《表A1动态路由算法的伪代码》

  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

《基于胶囊网络的电力变压器故障诊断》

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

由图7可知，在原始的5种溶解气体作为输入特征的基础上，加上Rogers比值法构建的4个特征可以在一定程度上增强各个算法诊断变压器故障的性能。此外，Caps Net在2种不同输入特征的情况下，都比另外5种算法具有更高的诊断精度。以后者为例，Caps Net的准确率、Macro F1和G-mean分别是80.9%、79.3%和79.5%。与CNN、MLP、XGBoost、Light GBM和SVM相比，准确率分别提升了4.3%、11.4%、15.8%、8.6%和10.9%，Macro F1分别提升了4.1%、12.6%、15.7%、7.7%和10.4%，G-mean分别提升了3%、13.7%、14.3%、5.6%和8.3%。值得一提的是，CNN和Caps Net的前期都是利用卷积层提取输入数据的特征，不同的是后期分别利用池化层和胶囊层映射特征和变压器的状态类型之间复杂的非线性关系。Caps Net的性能优于CNN，这说明CNN的池化操作会丢失部分的特征信息，限制了故障诊断的精度，而Caps Net的胶囊层和动态路由算法可以深入地挖掘特征和故障类型的关系，更为准确地诊断变压器故障类型。