《表1 基于不同降维方式的SVM分类结果》
支持向量机是基于统计学习方法,寻找一个最优超平面作为高维空间中的决策函数,实现不同类别的样本区分,同时满足分类间隔最大[10]。影响SVM模型的主要参数是惩罚参数c和核函数参数g,确定好核函数后,通过交叉验证法和网格搜索法对惩罚参数进行寻优。常用的核函数有线性核函数、多项式核函数、Sigmoid内核、径向基函数(RBF)。RBF是全局收敛的学习算法,具有学习速度快的优点,是使用最多的核函数,因此本文采用RBF作为核函数。SVM识别流程图如图5所示,表1为基于不同降维方式的SVM分类结果。
图表编号 | XD00140327000 严禁用于非法目的 |
---|---|
绘制时间 | 2020.03.15 |
作者 | 刘伟玲、吴龙焦、张思祥、闫子琪 |
绘制单位 | 河北工业大学机械工程学院、河北工业大学机械工程学院、河北工业大学机械工程学院、河北工业大学机械工程学院 |
更多格式 | 高清、无水印(增值服务) |