《表4 不同学习算法诊断准确率比较》

  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

《数据驱动的地铁车门微小故障智能诊断方法》

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

为了验证RF分类器在微小故障诊断问题上的优势，本文选择了3种对比性方法，包括:应用较为广泛的贝叶斯网络，SVM算法，以及作者早期开发并已在广州地铁正线上成功应用的基于K-means聚类的故障诊断算法。其中，SVM采用C-SVM，K-means中选择类簇数K=7。图9～11所示为3种方法基于原始特征集的诊断结果，图12～14所示为3种方法基于最优特征子集的诊断结果，其中，RF分类器、贝叶斯、SVM和K-means的诊断准确率如表4所示。结果可知，使用最优特征集后，几种算法的准确率都得到提高，其中RF分类器的诊断准确率达到了98%，而其余3种算法的准确率均没有达到90%。通过和其余3种算法的诊断结果进行对比可知，在相同样本数据的条件下，无论是否进行特征选择，RF分类器都具有明显的优越性，使用RF分类器进行微小故障诊断可以获得更精确的诊断结果。