《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》

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

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。