《表3 RBF模型下的分类结果对比》

  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

《基于光谱数据融合和人工神经网络的汽车灯罩鉴别》

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

如表3所示，记录了在原始数据、一阶导数数据和融合的数据下分别构建RBF和PCA+RBF两种分类模型的分类结果。对PC、PS和PMMA 3种类别的汽车灯罩样本的分类准确率进行比较，发现无论是RBF模型，还是PCA+RBF模型，PC类别样本的分类准确率均高于PS和PMMA两种样本。分析认为，相较于PS和PMMA两种类型的样本，PC类别样本的样本数较多，所以包含的信息更多，训练效果更好；对基于原始数据、一阶导数数据和融合的数据构建的分类模型的分类效果进行比较，发现对融合的数据构建分类模型的分类效果更好，在RBF模型中的总体分类准确率达到81.8%，在PCA+RBF模型中的总体分类准确率达到90.9%。分析认为融合的数据可以更多的反应汽车灯罩样本的信息，为分类模型的构建提供了更加优良的数据条件；对RBF和PCA+RBF两种模型的分类准确率进行比较，发现PCA+RBF模型的分类准确率更高，对原始数据、一阶导数数据和融合的数据分类准确率分别达到81.8%、84.1%和90.9%。分析认为，利用PCA对数据进行处理，可以消除原有数据之间的线性相关性，提取出最主要的数据信息，从而达到优化数据结构和提高模型分类效果的目的。