《表2 两种选取特征波长方法和全波长的建模对比》

《表2 两种选取特征波长方法和全波长的建模对比》   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
《竞争性自适应加权采样算法和连续投影算法在南疆冬枣水分模型中的分析》


  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

为了对比连续投影算法和竞争性自适应加权采样算法在南疆冬枣水分模型中的处理效果,使用PLS来建立模型对比分析。建模的效果如表2所示,由于竞争性自适应加权采样算法是随机采样法,进行多次运算,选择出较好的值。由表2可看出,使用SPA和竞争性自适应加权采样算法对于南疆的冬枣的特征波数的筛选具有明显的作用。从全谱段的256个波长,使用SPA算法减少到了13个波长,校正标准偏差RMSEC从0.6700减少到0.5997,预测校准偏差RMSEP从1.1923减少到1.0672。相关系数R从0.9017上升到0.9195,主因子数从15下降到10。使用竞争性自适应加权采样算法减少到了13个波长,校正标准偏差RMSEC从0.6700减少到0.6148,预测校准偏差RMSEP从1.1923减少到1.0941。相关系数R从0.9017上升到0.9275,主因子数从15下降到7。对比SPA和竞争性自适应加权采样算法可以看得出来,竞争性自适应加权采样算法的校正标准偏差RMSEC和预测校准偏差RMSEP都高于SPA的,所以由SPA选择特征波长建立的冬枣模型的校正能力和预测能力都优于竞争性自适应加权采样算法所建立的模型。但是竞争性自适应加权采样算法建立的模型的相关系数和主因子数都优于SPA算法所建立的模型。