《表1 特征向量的累计贡献率》
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。
图表编号 | XD0069203900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.31 |
作者 | 张艳 |
绘制单位 | 宜宾职业技术学院电子信息与控制工程系 |
更多格式 | 高清、无水印(增值服务) |