《表1 三种方法的RMSEP与R2对比结果》

  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Inception网络的好奇号火星车地面标样LIBS光谱定量建模》

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

由图9可知，Inception方法与PLSR方法预测值整体趋势基本一致，但AlexNet方法在高浓度时预测值普遍低于实际值．主要原因可能是AlexNet网络中存在数个最大池化层，而最大池操作把一块区域中不同的光谱值全部用最大值代替，可能会导致模糊光谱特征，进而导致网络修正参数能力下降．但是预测对象的数值越大，要求参数变化的范围越大，越需要更强的网络修正参数的能力．所以池化造成的特征模糊将会影响预测值，尤其是高浓度预测值由于数值本身更大会受到更严重的影响．同时，由于总体样本中含量低的样本占比更大，最终表现为高浓度下预测值普遍低于实际值．关于深度学习网络在某些浓度下的准确度下降问题将作为后续工作的研究重点．