《表2 离线训练准确率：基于无标签、不均衡、初值不确定数据的设备健康评估方法》

  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

《基于无标签、不均衡、初值不确定数据的设备健康评估方法》

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

图9（b）和图9（c）展示了分别利用人工神经网络（ANN）和支持向量机（SVM）两种方法进行的发动机健康状态评估结果（假设所有观测样本一开始都处于健康阶段），可以看出这两种方法在健康状态“4”评估误差较小，对后续剩余使用寿命的预测结果不会有太大的影响.然而，如果涉及到其他健康状态，这两种方法评估误差较大，则会直接影响设备各个不同阶段的维护策略.更重要的是，相比深度森林算法，这两种方法不能提供相对应的分类概率，整体分类的准确性较差（如表2）.从表2可以看出，本文提出的深度森林健康评估方法的离线训练结果准确率均大于90%.然而，ANN和SVM的离线训练结果在个别样本中分类准确率只能到达60%和50%左右，较低的健康评估准确率不能为设备不同阶段的维护策略提供可信的理论支撑，不能够用于设备的在线健康评估.