《表7 不同分类模型在仿真数据上的分类精度》

  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

《基于故障风险标尺的复杂装备健康状态分类模型》

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

将仿真数据和UCI标准数据集iris以及UCI标准数据集pima indians均通过DL-AFNN进行分类，通过对比分析验证了本文装备健康状态演化规律分析中的论断，如图5、图6、表6及表7中所示。由图5、表6以及表7可以看出当故障数据分布类型符合DL-AFNN的隶属度函数时，其分类精度大大提高，分类效果好于其他分类模型，如DL-AFNN在仿真数据上的分类精度优于BAGRNN和BPNN，分类精度达99.84%；当故障数据分布类型不符合DL-AFNN的隶属度函数时，其分类精度下降比较明显，如在数据集pima indians和iris数据集上的分类精度仅为64.08%和84.39%。对比实验证明了本文在装备健康状态演化规律分析中，提出关于构建DL-AFNN引入能够刻画装备故障率的隶属度函数，保障对装备故障的预测假设的正确性。