研究生毕业1222答辩_gxwang.ppt

（1）网格搜索法（Grid Search）的参数设置 设置参数粗略搜索参数，cmin = -8， cmax = 8；gmin = -8， gmax = 8；即参数c和g的搜索范围为[2-8,28]，搜索步长为0.1。 （2）粒子群算法（PSO）参数设置 粒子群算法控制参数为：惯性权重 ，速度调节参数 ，种群数量设为20，最大进化代数为200。惩罚因子C搜索范围设置为[10-1,102]，核参数g的搜索范围为[10-2,103]。 （3）遗传算法（GA）的参数设置 利用遗传算法进行SVR参数优化，其种群规模为20，进化代数为200，交叉概率为0.9，变异率为0.15，惩罚因子C设置区间为[0,100]，核参数g的搜索区间设置为[0,10]。 3.5 SVR参数优化方法的选择 29 参数优化方法 Best_c Best g MSE_ Train R2_ TRAIN MSE_ TEST R2_ TEST MSE_ RAW Grid Search 256 0.0039 5.8873e-05 0.999911 7.88278e-05 0.999872 0.0087 PSO 2.9909 0.1000 5.97927e-05 0.999938 0.000113103 0.999815 0.0125 GA 71.225 0.0036 6.43064e-05 0.999896 7.2182e-05 0.99989 0.0080 3.5 SVR参数优化方法的选择 30 谱线平滑 归一化 特征提取 核函数 参数选择方法 Sym5系列小波 最大最小值归一化 主成分分析法（PCA） RBF核函数 遗传算法（GA） 3.6 模型与参数优化方法小结 31 应用前文所建立的分析流程，对白酒年份酒样本进行分析主要包括： 4.1 不同年份白酒的鉴别 4.2 同一年份不同贮存时间的年份酒鉴别 4.2.1 库内样本分析 4.2.2 盲样测试 4.3 PLS平行实验分析 4 实验与数据分析 32 评价 指标 Best_c Best g MSE_ Train R2_ TRAIN MSE_ TEST R2_ TEST MSE_ RAW 指标值 8.6691 0.0429 7.79775 e-05 0.999871 00.998524 0.1195 4.1 不同年份白酒SVR鉴别 33 4.1 不同年份白酒SVR鉴别 不同年份白酒样品鉴别的SVR参数选择结果图 34 4.1 不同年份白酒SVR鉴别 训练集的拟合效果 测试集的预测效果 35 No. Original Predict No. Original Predict 1 5 5.214 21 16 16.065 2 5 4.940 22 16 16.117 3 5 4.899 23 16 16.096 4 5 4.911 24 16 16.118 5 5 4.893 25 16 16.091 6 5 4.948 26 16 16.049 7 5 5.028 27 16 16.082 8 5 5.028 28 16 16.040 9 5 4.967 29 16 16.025 10 5 4.991 30 16 16.030 11 8 7.886 31 26 25.991 12 8 8.794 32 26 25.988 13 8 8.211 33 26 25.932 14 8 8.012 34 26 25.924 15 8 9.113 35 26 26.089 16 8 8.039 36 26 25.958 17 8 8.609 37 26 26.013 18 8 7.973 38 26 26.072 19 8 9.055 39 26 26.042 20 8 9.088 40 26 26.096 不同年份样本的预测结果 评价指标 Best_c Best g MSE_ Train R2_ TRAIN MSE_ TEST R2_ TEST MSE_ RAW 指标值 92.7231 0.0403 5.53822 e-05 0.999869 00.99971 6.5231 e-05 4.2.1 白酒贮存时间SVR鉴别——库内样本 37 4.2.1 白酒贮存时间SVR鉴别——库内样本 38 4.2.1 白酒贮存时间SVR鉴别——库内样本 训练集的拟合效果 测试集的预测效果 39 No. Original Predict No. Original Predict 1 9.340 9.3339 21 8.493 8.4862 2 9.340 9.3335 22 8.493 8.5090 3 9.340 9.3330 23 8.493 8.4970 4 9.340 9.3327 24