7边界支持向量:9损失函数值:0.1Gamma:1/5判决函数的偏置项:0.716743算法时间:4.3s原始数据:见附录2模型数据:见附录3软件和硬件数据最大下压时间:0.8s最大分类时间:5.1s工作电压:12vDC最大电流:9A曲柄角速度:10πrad/s分类结果、正确率不同的核函数对于整套数据的反应有极大的差异。对于样本中任意135组数据linear核函数分类的正确率仅为63%,而polynomial核函数正确率达到了100%。图(9)分类结果总结与展望创新点量化不同垃圾本研究中对垃圾的不同特征进行具体的量化操作,通过不同传感器的配合将量化结果达到最优。同时因为SVM算法为学习型算法,在量化的基础上有很高的容错能力。通过对不同量化数据的智能分析,成品可以达到高准确率地分类。利用SVM小样本训练SVM主要针对小样本数据进行学习、分类和预测的一种算法,它能很好地解决在小样本、非线性、高维数和局部极小点等存在的实际问题。这种小样本训练时较高的可靠性为本研究提供了巨大的便利。由于时间和精力的限制,我们对于每个类别详细规划了10~20个样本。在后期试验中,为了提高算法的可靠性还进行了一些类别的增量训练。例如神经网络等其他一些学习型算法则需要1000~3000个样本进行训练。可以说SVM小样本训练的特点为我们节省了大量的时间。硬件设计在硬件的设计上,我们先使用solidworks3D绘图软件进行建模、模拟,对于每一个细节进行分析,避免了在组装之后产生的各种麻烦,同时避免了零件反复加工的问题,节约时间和成本。展望目前仅能研究塑料瓶、塑料袋、易拉罐、玻璃瓶、纸盒、旧书,垃圾分类的类型有局限性,有待扩展。在时间充足的情况下可以增加厨余垃圾、电池等的识别机械结构分类方面,目前仅能区分出不同的垃圾种类,但未在结构中安装机械臂等运输垃圾的仪器,因此无法将垃圾投掷到准确位置,可继续进行研究。
全文预览
