《表3 不同方法的训练时长比较》

  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

《基于注意力机制和LSTM的电力通信设备状态预测》

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

为进一步验证所提方法的有效性，基于筛选出的最优参数，本文继续将所提模型和一些相关方法进行比较，并就不同的模块组合进行消融测试。参与比较的方法有:PCA+Logistic回归（P+L）、PCA+LSTM（P+LSTM）、注意力+Logistic回归（A+L）、卷积网络（Convolutional Neural Networks，CNN）+LSTM（C+LSTM）以及分别进行1阶段训练和2阶段训练的注意力+LSTM（A+LSTM1和A+LSTM2）。本文基于一维卷积层、池化层以及1个全连接层构建了1个9层CNN，并使用常见的批量标准化和非线性激活层。图3和表3分别比较了不同方法的查准率（Precision）、召回值（Recall）和训练时间。