《表7 不同分类模型在仿真数据上的分类精度》
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。
图表编号 | XD00126356700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.01 |
作者 | 张保山、张琳、张搏、鲁娜、魏圣军 |
绘制单位 | 空军工程大学防空反导学院、空军工程大学防空反导学院、空军工程大学防空反导学院、中国人民解放军93142部队、空军工程大学防空反导学院 |
更多格式 | 高清、无水印(增值服务) |