《表3 不同核函数的SVM分类模型的准确率Tab.3 Accuracy of support vector machine model using different kernel functions

  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

《基于心电-脉搏波的心血管疾病识别研究》

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

SVM分类的核心思想是在给定的训练样本空间找到一个可以把不同类别样本划分开的超平面。距离超平面最近的几个训练样本就是支持向量，支持向量到超平面的距离称为间隔，为了使分类器的泛化性能最好，要找出使得间隔达到最大的超平面，即为泛化性能最好的分类器[18]。由于本研究的样本数据量较小，所以选用SVM，它对于样本量小，非线性等问题能达到较好的分类效果，实际问题中，样本空间包括线性可分和线性不可分的情况，对于线性不可分的情况，若样本特征有限，则可以将原样本特征映射到更高维的空间，在映射的新空间中找合适的超平面。在这个过程中需要计算到原特征向量映射到高维空间的内积，由于在高维空间计算非常困难，解决方法是找到合适的核函数，在原空间借助核函数计算在新空间中的内积。用含有pwvm的特征集QM在运用不同核函数时得到的分类器预测的准确率如表3所示，由表3知，使用不同核函数分类器的分类准确率差异不大，当核函数为Sigmoid时，分类准确率达到最高，即84.20%。