《表4 不同比例训练样本下的故障识别结果Tab.4 Fault recognition results with training samples of different proportions》下

  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

《优选小波包和AdaBoost-SVM的柔性直流输电变流器故障诊断》

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

为了比较Adaboost-SVM与传统SVM以及文献[7]中方法的泛化能力，本文从数据样本集中随机抽取不同比例的训练样本，其余作为测试样本。表4是不同比例训练样本下对应的分类识别精度，从表中可明显看出，随着训练样本比例的增大，3种方法的分类识别率也都随之升高，说明训练样本的增加有助于提高故障识别率。当训练样本比例达到50%时，Adaboost-SVM的识别率就已经达到了100%，而当训练样本比例为60%时，文献[7]和Adaboost-SVM算法的分类识别率都达到了100%，说明本文算法在使用较少数量的训练样本就可以达到很高的识别率，泛化能力强。