《表2 模型分类结果统计：高光谱成像技术对羊肉新鲜度的无损检测》

  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

《高光谱成像技术对羊肉新鲜度的无损检测》

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

BPANN、CART模型的新鲜度分类统计结果如表2所示，BPANN模型对预测集“新鲜”、“次新鲜”、“变质”3个新鲜度级别样本的识别率分别为88.89%、75%和85.71%，CART模型的识别率分别为88.89%、87.50%和100%。相比BPANN模型，CART模型对每个新鲜度级别的识别率分别提高了0%、16.67%和16.67%。上述研究表明，CART模型分类更加准确且稳定性更好，发生误判主要集中在相邻新鲜度等级之间，造成类别误判的原因可能是相邻新鲜度的样品TVB-N数值较为接近，类间差异较小所致。该模型的预测精度也略高于范中建等[32]利用SPA法提取特征波长建立的羊肉新鲜度BP神经网络判别模型，在一定程度上反映出CART算法建模的有效性。分析认为，BPANN算法需要反复调整网络结构参数，从而容易过度训练且发生“过拟合”，反而降低了模型的泛化能力。CART算法更加注重对光谱信息深层次分析和挖掘且针对性更强，分类精度较BPANN模型明显提高。该算法不是用一个决策规则把多个类别一次分开，而是综合每个子集里被评价为分类能力最好的属性变量进行逐级划分，从而在一定程度上提高了模型的泛化能力，较好地求解复杂的多输入多分类问题。