《表2 不同施氮水平下的预测集识别效果对比》

  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

《基于高光谱和参数优化支持向量机的水稻施氮水平分类研究》

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

（%）

采用默认参数及3种寻优方法进行支持向量机的水稻氮素营养分类识别模型建立，建模测试集各施氮水平识别效果如表2所示。从整体来看，默认参数下的SVM模型测试集平均识别效果最差，仅为87.500%，3种寻优方法的SVM模型测试集实验效果较默认参数下的SVM模型要好，均达到95.000%及以上，其中以基于遗传算法优化SVM模型（GA-SVM）实验效果最佳，高达98.750%，较基于网格搜索算法优化SVM模型（Grid-SVM）和基于粒子群算法优化SVM(POS-SVM）分别高出3.75%和2.50%。从各施氮水平识别效果来看，默认参数下的SVM模型在第二类（低氮）施氮水平上识别陷入局部最小，第二类（低氮）识别准确率仅为65.00%，其他3类（第一类、第三类、第四类）施氮水平均达到95.000%，默认参数下的SVM模型各施氮水平识别分类结果如图7所示。其他3种参数优化的SVM模型对第三类（中氮）、第四类（高氮）施氮水平都能够很好地识别，达到100.000%，对第二类（低氮）施氮水平的识别都达到了95.000%。只有在第一类（不施氮）施氮水平上，识别效果产生了一定的差别。基于遗传算法的SVM模型较其他两种优化算法优化的SVM模型，仅第二类（低氮）施氮水平下的第40组样本被误判为第三类（中氮）施氮水平；基于网格算法优化的SVM模型中，第一类（不施氮）施氮水平下的第12、13和14组样本被误判为第二类（低氮）施氮水平，第二类（低氮）施氮水平下的第40组样本被误判为第三类（中氮）施氮水平；基于粒子群算法优化的SVM模型中，第一类（不施氮）施氮水平下的第12和14组样本被误判为N1施氮水平，第二类（低氮）施氮水平下的第40组样本被误判为第三类（中氮）施氮水平；而基于遗传算法优化的SVM模型仅将第二类（低氮）施氮水平下的第40组样本被误判为第三类（中氮）施氮水平。3种优化算法优化SVM模型的各施氮水平识别分类结果如图8、9、10所示。