《表3 两种分类器模型识别结果对比》

  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

《基于磨粒磨损机理的机械磨损状态监测》

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

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。