《表4 不同故障样本均衡化方法诊断效果的对比》

  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SVM SMOTE的电力变压器故障样本均衡化方法》

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

为了验证上述模型应用于变压器故障诊断的可行性和有效性，在样本数据层面上分别采用样本均衡化算法，如Near Miss、SMOTE以及SVM SMOTE算法，并与未进行样本均衡化的结果进行对比，得到在不同分类器下模型的评价指标，如表4所示。针对不同分类器，不同样本均衡化方法下的评价指标变化情况如图7所示。由表4可知，从分类器角度来看，DNN分类器的效果要优于KNN分类器，这表明同一样本集在不同机器学习模型下的表现并不一致，这可能是由于DNN的深度网络结构以及强大表征能力可以较为全面地提取出故障样本中更深度更抽象的特征，从而得到更好的分类效果。