《表5 不同分类器的分类指标Table 5 Classification index of different classifiers》
研究分别采用了决策树(DT),BP神经网络,深度信念网络(DBN),常规SVM等常用算法,使用相同的数据样本进行训练与测试,随机选择训练与测试样本,并与PSO-SVM算法进行比较,测试准确率取10次平均值。对比结果如表5所示。决策树用时较少,但故障诊断准确率有待提高;BP神经网络利用特征样本训练,在迭代30次之后的识别率为93.33%,低于PSO-SVM方法。DBN输入为归一化之后的原始数据集,由于网络包括3层隐含层,因此用时较多,但识别率较低,由此可见,深度网络在小样本的情况下并不适用;使用Matlab的默认SVM参数,虽然用时较少,但识别率较低;而在使用粒子群算法优化之后,识别率有了显著提高。
图表编号 | XD0017752700 严禁用于非法目的 |
---|---|
绘制时间 | 2018.01.01 |
作者 | 李嫄源、袁梅、王瑶、程安宇 |
绘制单位 | 重庆邮电大学自动化学院、重庆邮电大学自动化学院、重庆邮电大学自动化学院、重庆邮电大学自动化学院 |
更多格式 | 高清、无水印(增值服务) |