《表1 负荷识别结果：基于k-NN结合核Fisher判别的非侵入式负荷监测方法》

  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k-NN结合核Fisher判别的非侵入式负荷监测方法》

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

针对筛选前后的训练集，本文分别采用k-NN算法、k-NN与核Fisher结合算法对测试集样本进行识别测试，总体准确率及单个事件识别时间如表1所示。此处取近邻值k=15，风险控制阈值k0=13，即对每一个待测样本，在训练集中选出与其最接近的15个近邻。若15个近邻中数量最多的类别样本数不小于13，则k-NN算法直接确定待测样本的类别；若近邻中数量最多的类别样本个数小于13，认为此时直接将数量最多的样本类别作为待测样本类别存在较大误判风险，需进一步用核Fisher判别确定其类别。