《表3 两种分类器模型识别结果对比》
根据图3~图6,结合表3可知,在PSO-RBF神经网络分类器模型下,60个测试样本中正确识别磨粒个数为55个,其中严重滑动磨粒识别错误3个,球状磨粒和疲劳磨粒分别识别错误1个,切削磨粒识别错误个数为0,故识别准确率为91.67%。在QPSO-RBF神经网络分类器模型下测试样本正确识别个数为58个,其中严重滑动磨粒和疲劳磨粒分别识别错误1个,而球状磨粒和切削磨粒识别错误0个,识别准确率为96.67%,比传统PSO-RBF神经网络模型的识别准确率高5%。经过QPSO-RBF神经网络对机械磨损状态的识别能力更强。
图表编号 | XD0089232300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.01 |
作者 | 杨文君、孙耀宁、杨延竹、凡辉、王国建 |
绘制单位 | 新疆大学机械工程学院、新疆大学机械工程学院、东华大学机械工程学院、东华大学机械工程学院、新疆大学机械工程学院 |
更多格式 | 高清、无水印(增值服务) |