《表1 不同参数寻优方法选取的最优参数及实验效果》

  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

为探寻快速、便捷、无损的水稻氮素营养状况定性诊断方法，将240组样本数据随机分成两组，分别为建模训练集和建模测试集。其中160组样本作为建模训练集样本（每种施氮水平各40组），80组样本作为建模测试集（每种施氮水平各20组）。本研究选用支持向量机模型（SVM模型）进行水稻氮素营养状况分类识别模型的建立，并以主成分分析降维后的22维主成分作为模型的输入数据。分别选用SVM的默认参数[27]和网格搜索算法、粒子群算法、遗传算法选取的最佳参数进行SVM建模。其中，默认参数下的SVM模型选择误差惩罚参数C为1.000 0，核函数参数g为10.000 0。4类施氮水平（施氮由低到高）数据的模型输出参数y分别由1、2、3、4代表。不同寻优方法选取最优参数的结果如表1所示。由表可以看出，通过3种参数优化的SVM模型要优于默认参数下的整体识别效果，且基于遗传算法的SVM模型与另外两种方法相比，寻优效果最佳，其误差惩罚参数C为2.261 4，核函数参数g为7.568 3。