《表3 SVMs与PSO-SVMs识别结果》

  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S&TT变换与PSO-SVMs的电能质量混合扰动识别》

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

建立一对多PSO-SVM拓扑结构，将PCA降维后的特征主元输入PSO-SVMs分类器进行扰动种类识别。作为对比，用相同的训练集和测试集构建k最邻近法（k-NN）分类器、自组织特征映射网络（SOFM）分类器、BP神经网络分类器，各样本分类准确率如表3所示，PSO-SVMs的识别准确率为98.06%，高于其他分类器的分类结果，说明PSO-SVMs的性能优于其他分类器。