大气杂质气体神经网络识别的推广性研究  

Neural Network Generalization Analysis of Recognition for Gas Impurity in Air

作　　者：韩应哲[1] 李素梅[1] 张延炘[1] 常胜江[1] 申金媛[1] 

机构地区：[1]南开大学现代光学研究所,教育部光电信息技术重点实验室,天津300071

出　　处：《光电子．激光》2005年第6期710-713,共4页Journal of Optoelectronics·Laser

基　　金：国家自然科学基金资助项目(60277022;60477009);天津市自然科学基金重点资助项目(023800811);博士点基金资助项目(20030055022);南开大学科技创新基金

摘　　要：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。In order to investigate the property of neural network generalization more roundly, a mode for the testing data is proposed and the generalization capability of the support vector machine (SVM) network of this work and the probabilistic neural network (PNN) of a previous work are compared with the data produced by the mode. The simulation results show that the SVM network provides better generalization capability than that of the PNN in terms of generalization for either laboratory data or changes in experimental conditions.

关 键 词：网络识别 支持向量机(SVM) 气体 杂质 大气 概率神经网络 推广能力 光谱数据 小波变换 学习样本 推广性能 监测数据 比较研究 仿真结果 容错性能 非线性 识别率 实验室 PNN 

分 类 号：TN948.12[电子电信—信号与信息处理] TP391.4[电子电信—信息与通信工程]