《表3 不同特征集用于诊断的准确率比较》

  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

最后，将最优特征子集[S1，S2，…，S20]输入RF建立预测模型，用训练好的预测模型对测试样本进行分类，图6所示为使用原始特征集时RF分类器对微小故障的诊断情况，图7所示为特征选择后RF分类器的诊断情况，对比可以看出，特征选择前RF对于门扇开度减小和门扇开度增加这2种微小的错误故障诊断较多，特征选择后有了明显的改善。计算出全部特征集[f1，f2，…，f180]和最优特征子集[S1，S2，…，S20]的平均分类准确率，并将二者进行比较，如表3所示。