《表3 不同变量选取方法下BP模型对苹果硬度的检测结果》
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。
图表编号 | XD00144689400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.10 |
作者 | 孟庆龙、尚静、杨雪、张艳 |
绘制单位 | 贵阳学院、贵阳学院、贵阳学院、贵阳学院 |
更多格式 | 高清、无水印(增值服务) |