《表3 不同模型FCM,GK的聚类指标》
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
《融合CEEMD_MPE和GK模糊聚类的故障识别方法》
最后,聚类效果通过聚类评价指标———划分系数(Partition Coefficient,PC)和划分熵(Classification Entropy,CE)对图7-9中不同模型聚类效果进行评估。划分系数PC越接近于1,划分熵CE接近于0,聚类效果越好。根据表3可得出如下推论:1)GK聚类相对于FCM聚类方法效果更好。这是因为FCM聚类的聚类形状为圆球形,它仅反映超球形数据结构的标准距离范围规范;GK聚类的聚类形状为椭球形,这有助于降低GK聚类方法对数据类型的限制,扩大该聚类的应用范围。2)CEEMD多尺度排列熵组合在GK聚类中PC值最大,达到了0.9875,CE值最小为0.0420。由此看出,CEEMD多尺度排列熵组合较其他组合模式具有一定优势,因此本文提出的方法较好。
图表编号 | XD00178472600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.01 |
作者 | 赵荣珍、孙泽金 |
绘制单位 | 兰州理工大学机电工程学院、兰州理工大学机电工程学院 |
更多格式 | 高清、无水印(增值服务) |