《表1 枇杷果实品质分级模型的回归结果》

  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

《基于自制便携式近红外光谱仪的枇杷果实可溶性固形物无损检测及年度重复验证》

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

1）仅应用2018年的200个枇杷果实数据建立的回归模型；2）应用2018和2019年的枇杷果实数据建立的模型。“—”代表没有数据。PLS：偏最小二乘法；LS-SVM：最小二乘支持向量机；UVE：无信息变量消除法；CARS：竞争性自适应重加权算法。

经过UVE和CARS进行变量选择后，分别从全变量中筛选出26和28个特征变量，相比于100个全变量，变量个数分别减少了74%和72%。基于这2种方法选出的特征变量分别建立枇杷分级筛选模型，计算结果如表1所示。从中可以看出，经过变量选择后建立的模型，其RPD值均在1.619～1.881之间。通过综合比较和分析，发现在这4个特征变量回归模型中，UVE模型在不同程度上出现了欠拟合的现象，即Rc与Rp出现较大偏差。因此，虽然基于UVE建立的模型可以取得较高的预测精度，但由于模型欠拟合，UVE模型并非最优的枇杷筛选分级模型。导致UVE模型过拟合的原因主要是，虽然UVE能够去除无信息的变量，从而将有信息的变量选择出来，但无法解决变量冗余度高的问题，从而导致模型容易过拟合。而对比竞争性自适应重加权算法-偏最小二乘法（competitive adaptive reweighted samplingpartial least squares，CARS-PLS）和竞争性自适应重加权算法-最小二乘支持向量机（competitive adaptive reweighted sampling-least squares support vector machines，CARS-LS-SVM）的分析结果可以看出，CARS-LS-SVM具有更好的预测效果，其RMSEP值为1.453，Rp值为0.818，RPD值为1.737。对比全变量定量分级模型可以看出，虽然CARS-LS-SVM模型与全变量模型PLS在预测精度上无显著性差异，但CARS-LS-SVM不仅可以减少变量个数、简化计算，还能够进一步降低模型的RMSEP值。这表明先进行CARS变量选择再建立LS-SVM模型是建立枇杷果实品质快速筛选模型的更好策略。