《表6 初始参数与最优参数回归精度对比》

  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

《高速列车气动外形优化研究进展》

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

初始参数值（c，ε，γ）设为（2.2，0.01，2.8），样本点统一设置为20个，利用LSSVR和OPT-LSSVR进行回归拟合.如图19所示，可以看出，对于非线性较强的测试函数，尤其在梯度较大的极值点附近，LSSVR的回归精度显著下降.而针对最优参数模型拟合结果，回归曲线能够精确捕捉样本数据点的变化规律，在梯度较大的极值点附近也能够良好地拟合.基于优化算法，最小化目标函数设为均方误差MSE，得到每个测试函数对应的最优参数值.利用最优参数进行建模，得到的拟合结果如表6所示.从表6中对比数据可以看出，最优参数构建的LSSVR模型均方误差MSE明显减小，初始参数模型MSE均在10-1～10-2左右，优化后减小至10-4～10-5；决定系数R2提高至0.999以上，因此利用优化算法构建的LSSVR模型具有更高的回归精度.