《表4 不同分类算法效果对比》

  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

《基于极限梯度提升的公路深层病害雷达识别》

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

为了对比各类算法在同一雷达病害数据集上的表现，本文还将过往研究中广泛使用的支持向量机分类算法和随机森林分类算法应用在探地雷达数据集上，按训练样本和测试样本7:3的比例划分30826道公路雷达A-scan数据，进行对比实验。实验结果如表4所示，XGBoost分类算法对四类路基状态（正常、脱空、疏松和裂缝或断层）的分类精度均达到90%以上。与过往研究相比，本文所提出的基于时域-频域的特征提取方法结合XGBoost分类方法，首次应用于探地雷达数据上，全面提升了各类病害的检测准确率；与支持向量机算法和随机森林算法的分类表现相比，XGBoost算法对正常无病害、疏松类病害的识别准确率高于其他算法，对裂缝或断层以及脱空类的病害的识别准确率分别为90%、93%，与其他算法基本持平。此外，可以明显发现随机森林算法的识别准确率仅次于XGBoost算法，在该数据集上也表现处较好的结果，但所用时间是XGBoost算法的三倍。对于更大型的数据集而言，XGBoost算法在处理速度上的优势更明显，见表4。