《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》
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。
图表编号 | XD00130093900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.25 |
作者 | 赵洛印、庄磊、丁建顺、马亚彬、李宏伟、王振 |
绘制单位 | 哈尔滨电工仪表研究所有限公司、国网安徽省电力有限公司电力科学研究院、国网安徽省电力有限公司电力科学研究院、国网安徽省电力有限公司电力科学研究院、哈尔滨电工仪表研究所有限公司、中电装备山东电子有限公司 |
更多格式 | 高清、无水印(增值服务) |