《表4 Stacking模型与典型集成模型性能对比》
将设计的Stacking模型对比同样组合RBF-SVM、NN、RF与GBDT 4种基模型的MV多数投票集成模型,以及表2中性能最好的集成模型RF和性能最好的单一模型RBF-SVM,仿真实验结果如表4所示。分析可知:该Stacking模型的分类精确率相比MV提高约3%,相比RF提高约6%,相比RBF-SVM提高约13%;召回率相比MV提高约3%,相比RF提高约7%,相比RBF-SVM提高约16%。仿真实验结果表明该Stacking模型能在原有基模型基础上进一步提升泛化能力,相比已有的典型集成模型和单一模型有更高的分类性能,可以更好地应用于航空发动机故障诊断。
图表编号 | XD0047394500 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.01 |
作者 | 徐萌、席泽西、王雍赟、李晓露 |
绘制单位 | 中国民航大学电子信息与自动化学院、中国民航大学电子信息与自动化学院、中国民航大学电子信息与自动化学院、中国民航大学电子信息与自动化学院 |
更多格式 | 高清、无水印(增值服务) |