《表4 遗传算法优化后KELM参数》

  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

《基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断》

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

由于a7和IMF1分别为WD和VMD的趋势项，计算特征向量时将上述两项去除。另外，为能够较好表征各模型对状态诊断的准确程度，本文将正常状态标记为1，边壁堵塞故障标记为2，中心堵塞故障标记为3，结块故障标记为4。以四种方法提取的特征向量作为输入，建立遗传算法优化KELM多分类诊断模型。模型建立过程中，遗传算法优化的各模型正则化系数C和核函数参数γ的分布见表4。图8为VMD-FE-KELM模型的优化过程，由图可知，采用遗传算法优化后的模型训练效果明显提高训练效果明显提高，且收敛后预测精度达到100%。