《表4 利用多层感知器进行大豆产地分类的训练子集、测试子集、保持子集结果》

  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

《基于矿物元素指纹分析技术的中国北方大豆产地溯源研究》

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

从PCA结果来看，在地理区域较大的省份中，由于各种土壤、气候和生产要素而导致的元素含量变化范围大，可能导致无法区分来源。在这种情况下，本研究决定使用ANN来进一步挖掘和分析数据。MLP作为一类最常用的ANN，其结构赋予了它如大脑般相同的联想能力和容错性。此外，它具有自我学习和自适应能力，可以很好地解决多分类问题。将数据按照3∶1∶1随机分配给训练子集（60%）、测试子集（20%）和保持子集（20%）。其中，训练子集用于训练神经网络和构建该模型；测试子集用于跟踪训练中的错误，以防止训练过度；保持子集不参与模型的构建，而是用于评估最终的神经网络和评估模型“真实”的预测能力。表4显示，训练子集中的所有97个样本正确分类为各自产地内，正确率为100%。在测试子集的26个样本中，2个新疆样本被错误分类为辽宁样品，因此，在测试子集中，新疆的正确预测率为71.4%，而总的正确预测率为92.3%。在保持子集的36个样品中，1个黑龙江样品以及1个新疆样品错误分类为辽宁样品，黑龙江的正确预测率为94.1%，新疆的正确预测率为87.5%，保持子集总的正确预测率为94.4%。结果表明，利用MLP对4个产地大豆进行产地分类是可行的。