《表4 不同特征向量、不同诊断模型、不同参数寻优算法的诊断性能》

  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

《基于主成分分析——支持向量机优化模型的断路器故障诊断方法研究》

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

选用“一对一”的多分类策略，以C-SVC模型作为支持向量机模型，以径向基函数（RBF）作为分类器核函数，首先将表2、3的能量熵向量通过主成分分析（PCA）进行特征降维和特征筛选，得到最终的特征量作为SVM的输入，将实验数据的40组作为训练样本，其余40组作为测试样本，分别通过网格搜索算法（GSA）、粒子群算法（PSO）、遗传算法（GA）3种算法进行参数寻优，对比分析3种寻优算法的性能。不同特征向量、不同诊断模型、不同参数寻优算法的诊断性能见表4，采用小波包分解能量熵作为特征向量时，SVM模型、PCA-SVM模型在GSA算法参数寻优下的预测结果分别见图12。