《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》
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%。
图表编号 | XD0064591800 严禁用于非法目的 |
---|---|
绘制时间 | 2019.07.01 |
作者 | 杨新、麻哲瑞、申赫男、陈鸿伟 |
绘制单位 | 河北工程大学水利水电学院、华北电力大学电站设备状态监测与控制教育部重点实验室、华北电力大学电站设备状态监测与控制教育部重点实验室、河北工程大学水利水电学院、华北电力大学电站设备状态监测与控制教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |