《表1 模型性能比较：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》

  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

在采用基于变分模态分解-样本熵（VMD-SE）、小波分解-样本熵（WD-SE）、变分模态分解-特征能量（VMD-FE）、小波分解-特征能量（WD-FE）四种特征提取方法计算各样本的特征向量时，由于a9和IMF1分别为WD和VMD的趋势项，其在特征向量中分布较大，对其他尺度特征量的表征造成影响，因此在本文计算特征时去除该尺度特征量。将其他尺度特征向量作为模型输入，分别进行核极限学习机的训练和测试。此外，为验证模型有效性，本文与其他学者所建立的BPNN[34]、SVM[35]、ELM[36]等单一模型进行比较，各模型性能见表1。