《表2 GASEN-TCN模型初始化参数设置》

  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

《基于遗传算法选优的集成手段与时序卷积网络的涡扇发动机剩余寿命预测》

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

为了验证GASEN-TCN的效果，在FD001～FD004数据集上，与三组不同的机器学习模型进行了对比：第一组是经典的支持向量回归（Support Vector Regression，SVR）；第二组是同样采用了集成学习思想的随机森林回归（Random Forest，RF），与近两年流行的基于决策树的提升机器算法Light GBM（Light Gradient Boosting Machine）[23]；第三组则是以Bi-LSTM[12]、BHSLSTM（Bidirectional Hand Shaking LSTM）[20]与TCN为代表的基于神经网络的回归模型。其中，Bi-LSTM与BHSLSTM采取了不同的双向提取信息的方式。GASEN-TCN的初始参数如表2所示，主要包含基学习器的训练参数与继承剪枝时的参数。实验共进行了三次，最终取三次实验的平均值作为结果，详细的实验结果如表3所示。图6则展示了FD001数据集上各个模型的主要指标之间的差异。