《表4 本文方法拟合结果》
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K-means和SVM的分段GPS高程拟合方法》
单位:m
表3和表4分别给出了采用传统BP神经网络高程拟合方法和本文所提方法的拟合结果。从表3可以看出,采用BP神经网络用于每个子集的GPS高程拟合时,对子集中的训练样本的残差和内符合精度都接近于0,但是测试集残差和外符合精度却较大,并且随着训练样本数的减少,外符合精度越来越大,即拟合精度越来越差。这是由于BP神经网络采用经验风险最小化准则造成的“过匹配”问题,导致其泛化推广能力存在缺陷。而对于采用全体数据的方案C而言,训练集残差和测试集残差都大于按子集划分的拟合方案,究其原因在于虽然方案C中训练样本数远多于其他方案,但是由于GPS数据高程异常分布差别较大,参数选择时很难兼顾拟合精度和泛化推广能力。
图表编号 | XD0051707200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.07.25 |
作者 | 陶超 |
绘制单位 | 广州南方智能技术有限公司 |
更多格式 | 高清、无水印(增值服务) |