《表2 不同水分定量预测模型结果》

  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

《挂面面片水分分布均匀度的快速定量表征》

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

如表2所示，LS-SVM的预测效果优于BP-ANN和iPLSR，而BP-ANN预测模型的预测效果又优于iPLSR预测模型，当选择7为最佳主成分数时，LS-SVM模型的预测效果最佳，其中RC为0.99、RP为0.98、RMSECV为0.01、RMSECP为0.01。iPLSR预测模型相对于BP-ANN预测模型识别效果低的原因可能是由于内部算法的不足，iPLSR是基于区间光谱进行建模，模型的识别率与所选取的区间相关，区间选取较少会引起相关信息丢失，导致所建模型代表性不足；BP-ANN采用的是前几个最优主成分建立的非线性模型，通过误差反向传播的多层前馈网络，当输入不等于输出时则进行反向传播过程，直到网络的全局误差小于给定值后训练终止，然而这种模型过分的强调校正集误差，引起模型的泛化能力降低，尽管取得了较高的校正集识别率，但模型的整体预测能力不高。LS-SVM预测模型是在经典算法iPLSR和SVM上进行的改进，代替了经典SVM算法中复杂的二次优化问题获得支持向量，能够在少量的训练样本中进行高维特征空间学习，降低了模型的复杂度、提高了模型运算效率，与文献中经过优化的水分定量预测模型相比[29]，校正集识别率较高。因此，在后续的计算中均采用LS-SVM定量模型进行运算。