《表1 特征向量的累计贡献率》

  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

《基于改进神经网络的电子器件故障智能诊断》

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

为了分析改进神经网络的电子器件故障诊断方法（M-BPNN）性能，选择没有核主成分分析+蚁群优化BP神经网络的电子器件故障诊断方法（ACO-BPNN）和核主成分分析+标准BP神经网络的电子器件故障诊断方法（KPCA-BPNN）进行对比测试，选择一个变压器作为测试对象，其故障包括:（1）低能放电；（2）高能放电；（3）中温过热；（4）高温过热，它们分别采用“1”，“2”，“3”，“4”进行标识别。采用核成分分析选择电子器件故障诊断的重要特征，结果如表1所示。从表1可以看出，当主成分达到5个后，特征向量的累计贡献率超过了85%，因此选择该5个主成分作为电子器件故障诊断特征向量。