《表1 各特征值响应程度单因素方差分析结果》

  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

《基于传感器阵列多特征优化融合的茶叶品质检测研究》

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

采用单因素方差分析，将因子载荷优化后的各特征值当作一个因素，3个等级茶叶的响应作为水平，进行方差齐性检验。表1为单因素方差分析结果，各特征组间平方和与均方越大，组内平方和与均方越小，重复性越好，其中F值越大表明该特征向量对样品的区分度越高[23]。综合对比各特征向量组间平方和与均方、组内平方和与均方、F值可发现，特征向量V4、V5、V21的F值最小，组间平方和与均方较小，组内平方和与均方较大，可能影响毛尖茶品质的区分应予以剔除。剔除后保留V3、V8、V16、V17、V19、V20、V24、V25、V29，对9个特征值组成的新矩阵进行PCA、LDA分析，结果如图7、图8所示。PCA分析显示前两个主成分的贡献率分别为73.54%、21.29%，解释了总方差的94.83%，相比经归一化处理PCA分析解释总方差略微增大。同因子载荷优化后相比，各等级茶叶组内间距进一步缩小，3个等级茶叶各自的聚集效果有所增强。Y1、Y2组间间距增大分类效果更加明显，3个等级的茶叶可得到明显区分。LDA分析表明单因素方差优化前后分类结果依旧保持良好，佐证说明特征向量V4、V5、V21存在大量冗余信息，单因素方差分析优化可进一步减少3组特征值，优化后会减小计算量，有助于加快分类速度。