《表1 决策表：基于KNE-BPNN的电务设备故障预测》

  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KNE-BPNN的电务设备故障预测》

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

样例约简是基于K-均值聚类算法进行约简的。首先根据样例集中的数据关系构建设备故障二维决策表MDS，如表1所示，xj表示样例，propi为条件属性，D代表决策属性，其中0表示未发生故障，1表示发生故障) ；其次，指定决策类别数为聚类数目K，并根据决策类别划分数据子集（不包括决策属性）MDSk（k=1，2，…，K），计算每个数据子集的均值，分别作为K个聚类的聚类中心；然后采用K-均值聚类算法调整聚类和聚类中心，并输出K个聚簇；最后计算每个簇中的不同决策类别样例所占的比例，约简比例较少的样例。采用基于K-均值聚类的样例约简算法能够有效地约简样本集中的无关、冗余样例，减少冗余样例对模型预测的影响，提升模型的泛化能力。