《表3 3种集成模型的实验结果对比》

  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

《基于不平衡分类的Bagging集成污水处理故障诊断》

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

%

对比算法的参数均通过寻优获得.SMOTE_Bagging_WELM、Bagging_WELM与WELM均采用Tribas激励函数和W1加权方案，用网格法寻优，寻找基分类器的隐层节点数L和正则化系数C的最优参数组.隐层节点数L的寻优范围为{10，15，20，…，500}，步长为5；C的寻优范围为{20，21，…，212}，步长为1.SVM使用径向基核函数，并对预测指标进行标准化；Bagging_SVM算法的基分类器设置与单个SVM相同；ELM的隐层节点数L采用网格法寻优，寻优范围为{10，15，20，…，500}；C4.5采用网格法对节点数进行寻优，寻优范围为[10，60]，步长为2；BPNN采用网格法对节点数进行寻优，隐层节点数L的寻优范围和步长分别为{10，15，20，…，200}、5，学习率的寻优范围和步长分别为{0.1，0.2，…，1.0}、0.1.所有实验均采用5折交叉验证，进行10次重复实验，实验结果取10次实验结果的平均值，如表2、表3和表4所示.