《表3 不同变量选取方法下BP模型对苹果硬度的检测结果》

  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BP网络的苹果硬度高光谱无损检测》

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

将全光谱（Full Spectra，FS）以及经SPA和CARS分别选择的特征光谱输入BP网络模型中。模型的隐含层节点数为10，输出层节点数为1，训练算法为Levenberg-Marquardt。60次BP网络重复建模结果的平均值见表3。从表3可以发现，基于全光谱建立的FS+BP预测模型具有最高的rc(0.874）和最小的RCm(0.147 kg/cm2），表明该预测模型具有较好的校正性能。SPA+BP预测模型具有最高的rp(0.728）和最小的RPm(0.282 kg/cm2），表明该预测模型具有较好的预测性能。虽然SPA+BP预测模型和CARS+BP预测模型的校正性能均劣于FS+BP预测模型，但是其预测性能均优于FS+BP预测模型。另外，采用SPA和CARS特征波长方法分别从256个全光谱波长中选择了18个和16个特征变量输入BP网络模型，明显提升了BP网络预测模型的检测效率。以上结果说明，将基于特征光谱建立的BP网络预测模型用于检测苹果的硬度具有相对较好的预测能力。其中，苹果硬度的预测结果见图5。