《表3 KEDA方法与其他方法识别结果对比》

  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

《复杂机电系统核熵判别分析的异常分类方法》

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

为了进一步说明KEDA算法的优越性，对TE仿真过程典型故障模式分别采用其他几种非线性故障模式分类方法KPCA+LDA、KLFDA、GDA方法进行故障状态识别，如表3所示。从表3的对比结果可以看出，以样本状态识别正确率为评价指标，KE-DA算法结合了样本总体分析及局部线性分析，对于所选取的具有代表性的五类故障模式，其状态识别正确率对比其他分析方法均较高，证明了算法的有效性。