《Table 1 Sub-class numbers and distribution》

  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K-均值聚类与粒子群核极限学习机的推力估计器设计》

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

由估计结果看出，在四组子类中PSO-KELM方法精度最高，PSO-ELM方法其次，PSO-SVM方法精度最低，进一步证明了方法的优势。KELM和ELM比SVM更能获取全部数据的信息，具有更好的泛化性，而KELM由于在ELM的基础上引入了核方法，因而比ELM算法具有更好非线性拟合能力和泛化能力，提高了预测精度。在预测时间方面，SVM平均预测时间约为0.95ms，KELM约为0.27ms，ELM接近0ms，三种方法都满足控制器设计所要求2ms的实时性指标。ELM的预测时间最短，这是由于ELM预测过程直接为矩阵相乘，运算速度快很多，而KELM的预测时间略长，这是由于在ELM的基础上增加了核映射，从而计算量增加计算时间增加，而同时精度也提高，综合考虑采用KELM算法效果更好。必须指出的是，设计的推力估计器能有效得到额定状态的推力值，而长时间使用会导致发动机性能衰退，由于发动机批次性能衰退具有一定的统计学规律，若将发动机使用时间加入输入参数并采用长时间工作的试车数据进行训练，便可实现对非额定航空发动机的推力估计。