《表5 支持向量机k-fold交叉验证均值Tab.5 Average recognition results using k-CV-SVM (%)》

  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

《多层次信息融合在铁谱图像磨粒识别中的应用》

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

将磨粒图像的4组形态特征、6组颜色特征及PCA压缩后3维特征分别输入SVM，并结合k-fold交叉验证对比识别结果。本文所用选取径向基函数K（xi，xj）=exp{-γ‖xi-xj‖2}作为SVM的核函数，该核函数中参数选取分别为:γ=0.07，惩罚系数C=1。将120组磨粒样本平均分为2组、4组、5组、8组、10组后分别进行交叉验证。同时为保证识别结果的可靠性，三种不同输入特征的k-fold交叉验证实验均重复实验10次，可得到150组识别结果，其统计分布如图11所示。表5列举了10组交叉验证识别结果的均值。结合图11和表5不难看出，颜色特征同形态特征相比，对三种故障磨粒具有更好的区分能力。利用PCA在特征层进行信息融合后，可明显提高识别结果的准确性，与形态特征和颜色特征相比，其识别准确率平均提高了12.61%和5.24%。表明了磨粒形态特征和颜色特征可实现一定程度的互补。同时，形态特征、颜色特征以及PCA降维后特征的识别准确率均随着k值的增大而减小，但识别结果稳定性更好。分析其主要原因是随着k值的增大，训练样本增加，测试样本减少，其识别结果越接近识别模型的真实值，因此识别结果波动幅度更小。