《表3 PSO-SVM粒子群数的分类准确性》

  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

《基于人工鱼群算法和支持向量机的离心泵故障诊断》

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

实验表明C和γ的参数设置对识别率有一定影响。因此，对比PSO-SVM和AFSA-SVM分类的结果。实验使用了50组数据，分别为正常叶轮和穿孔损伤、边缘损伤、叶片损伤3种故障叶轮，共200组被使用了。其中，有100个用于训练，有100个是测试样本集。运行了300次PSO参数迭代，学习因子为c1=2，c2=2。，PSn表示种群粒子数（Particle Swarm Number)，AFSn表示人工鱼群数（Artificial Fish Swarm Number），并且移动步长为0.5。表3所示为PSO实验结果，而AFSA实验结果如表4所示。从表3中可以看出，随着种群规模扩大，诊断时间也随之增加。支持向量数也随粒子数而变化。当粒子群数为20时，精度最高，所需时间也更短。表4中的结果表明，当人工鱼数量在10～20时，精度最高。实验数据表明，AFSA比PSO更好，并且可以在更短的计算时间内以更小的支持向量数获得更准确的结果。