《表4 不同方法对测试集的高程拟合结果》

  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

《基于粒子群算法优化SVM的GPS高程拟合方法》

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

单位：mm

图2(a）和（b）分别给出了PSO算法迭代过程中核参数σ和惩罚因子C的变化曲线。可以看出，经过大约7次迭代，2个参数收敛，其中核参数收敛于0.9，惩罚因子收敛于256。利用优化后的模型对训练数据和测试数据进行高程拟合得到的结果如表3和表4所示。可以看出所提PSO-SVM方法对训练样本得到的最小和最大残差分别为0.102和0.762，残差均方根为0.203；对测试样本得到的最小和最大残差分别为0.023和0.834，残差均方根为0.253；训练样本和测试样本的残差均方根之差为0.05。而利用交叉验证SVM方法对训练样本得到的最小和最大残差分别为0.134和1.004，残差均方根为0.259；对测试样本得到的最小和最大残差分别为0.463和1.514，残差均方根为0.683；训练样本和测试样本的残差均方根相差0.424。上述结果表明PSO-SVM方法相对于传统SVM方法能够获得更高的拟合精度和更强的稳健性，更适合于实际工程应用。