《表2 不同工况识别方法的准确率比较》

  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

《基于复原图像特征与深度视觉特征融合的锑粗选异常工况识别》

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

通过采用3种不同的分类算法进行工况识别比较，分别是随机森林、支持向量机、XGBoost.表2是不同特征组、不同分类算法组合下的工况识别结果.基于传统图像特征对3种分类算法进行比较，可以看出XGBoost的识别准确率要比随机森林和支持向量机高一些.因为随机森林在决策树构建过程中，其样本和特征是随机采样的，最终的分类结果是基于bagging的集成学习思想进行投票表决，所以无法控制模型内部的运行，只能在不同的参数和随机种子之间进行尝试，可能会有很多相似的决策树掩盖了真实的结果，在一定程度上导致模型的稳定性欠缺.而支持向量机主要适用于小样本学习，并且特征维度不能过高，然而本文研究的内容数据样本量大，再加上深度视觉特征的高维特性，无法像树模型那样进行特征的学习和选择降维，所以支持向量机不适用于本文的大样本高维度学习.