《表4 不同参数寻优方法对SVM模型预测精度的影响》

  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DE-SVM的船舶航迹预测模型》

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

为验证使用DE算法优化SVM航迹预测模型的优越性，采用其他参数寻优方法进行对比。分别使用粒子群优化（particle swarm optimization，PSO）算法、网格搜索法、遗传算法（genetic algorithm，GA）搜索出的优化参数和采用libsvm工具箱默认参数进行航迹预测仿真，将预测结果进行对比分析，各误差指标值见表4。从表4可以看出:使用基于网格搜索法的优化参数和工具箱默认参数训练模型耗时较少，但预测精度低；使用基于GA和PSO算法的优化参数训练模型较大幅度提升了预测精度，但是耗时较多；使用基于DE算法的优化参数训练模型的精度最高，且耗时较少，总体来说性能最佳。