光电子·激光
光電子·激光
광전자·격광
JOURNAL OF OPTOECTRONICS·LASER
2005年
6期
710-713
,共4页
韩应哲%李素梅%张延炘%常胜江%申金媛
韓應哲%李素梅%張延炘%常勝江%申金媛
한응철%리소매%장연흔%상성강%신금원
杂质气体识别%非线性荧光光谱%推广性%支持向量机(SVM)%概率神经网络(PNN)
雜質氣體識彆%非線性熒光光譜%推廣性%支持嚮量機(SVM)%概率神經網絡(PNN)
잡질기체식별%비선성형광광보%추엄성%지지향량궤(SVM)%개솔신경망락(PNN)
采用支持向量机(SVM)方法对小波变换压缩后的非线性荧光光谱数据进行识别,对学习样本和未学习过的样本进行测试,其正确识别率均为100%.为了全面比较推广性能的好坏,建立了一个模拟实际监测数据的模型,并采用这些数据对提出的SVM网络与概率神经网络(PNN)进行了比较研究.仿真结果表明,无论对实验室数据的推广能力,还是对监测条件变化的推广能力,SVM网络较PNN有更好的推广和容错性能.
採用支持嚮量機(SVM)方法對小波變換壓縮後的非線性熒光光譜數據進行識彆,對學習樣本和未學習過的樣本進行測試,其正確識彆率均為100%.為瞭全麵比較推廣性能的好壞,建立瞭一箇模擬實際鑑測數據的模型,併採用這些數據對提齣的SVM網絡與概率神經網絡(PNN)進行瞭比較研究.倣真結果錶明,無論對實驗室數據的推廣能力,還是對鑑測條件變化的推廣能力,SVM網絡較PNN有更好的推廣和容錯性能.
채용지지향량궤(SVM)방법대소파변환압축후적비선성형광광보수거진행식별,대학습양본화미학습과적양본진행측시,기정학식별솔균위100%.위료전면비교추엄성능적호배,건립료일개모의실제감측수거적모형,병채용저사수거대제출적SVM망락여개솔신경망락(PNN)진행료비교연구.방진결과표명,무론대실험실수거적추엄능력,환시대감측조건변화적추엄능력,SVM망락교PNN유경호적추엄화용착성능.
