《表1 基于不同降维方式的SVM分类结果》

  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

《基于电子鼻技术的混合气体识别研究》

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

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。