《表2 不同分类算法下隧道围岩分级准确率》

  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LIBSVM算法在隧道围岩分级上的应用》

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

注:标记★样本为判断错误。

将本文LIBSVM模型的预测结果与文献[8]、[13]、[15]采用的BP神经网络模型、Fisher判别方法、Bayes判别分析法、SVM及GA-SVM进行对比，其分类准确率见表2。虽然表中其他模型预测准确率也较理想，但在实际预测中将存在预测准确率低、需反复调试不宜操作、解决理论与实际问题存在差异等问题。如BP神经网络虽不需要确定权重，但需要较多的样本数量，且在学习训练过程中往往存在过学习、欠学习状态、局部极小问题以及维数灾难问题，致使分类准确率不理想。Fisher判别分析法常用于两类间判别，对于对线性不可分的情况，无法确定分类。不适宜多种因素影响下复杂非线性隧道围岩分类。Bayes判别思想是根据先验概率求出后验概率，并依据后验概率分布作出统计推断，被判断的个案应该属于先验概率最大总体概率高一些，对数据稀疏问题过于敏感，判别过程中处理指标维数较多时效率极低。文献[8]对影响隧道围岩分类的特征因子做了降维处理，虽然SVM及GA-SVM分类思想与LIBSVM分类思想相同，但前两者采用RBF核函数时无法调节核函数中gamma函数参数g，致使训练拟合模型及预测分类准确性较差。