44、机器学习模型性能评估与故障估计方法研究

机器学习模型性能评估与故障估计方法研究

在机器学习和控制系统领域，模型性能评估和故障估计是两个重要的研究方向。本文将介绍两种不同的研究内容，一是关于改进的 ELM - RBF 模型在多标签分类任务中的性能评估，二是基于迭代学习方案的非线性系统带量化测量的故障估计方法。

改进的 ELM - RBF 模型在多标签分类中的性能

在多标签分类任务中，阈值设置在聚类中对任务效果有显著影响。实验选取了 4 种优秀算法与 F - ELM - RBF 进行对比，使用了 3 个真实数据集进行评估。

• 对比算法与数据集
  • 对比算法 ：MLKNN、原始 ELM 多标签分类（阈值为 0）、核 ELM 多标签分类、原始 ELM - RBF（阈值为 0）。
  • 数据集 ：“Emotions 数据集”、“Yeast 数据集”、“Scene 数据集”。
• 评估指标 ：使用 5 个评估指标来衡量模型性能，分别是 Hamming Loss、One - Error、Coverage、Ranking Loss 和 Average Precision。除了 Average Precision 是值越高算法性能越好外，其他指标值越低性能越好。

• 参数设置 ：不同模型在不同数据集上的参数设置如下表所示：
  | Models | Emotions | Yeast | Scene |