《表3 FOA-ELM模型的结果》

  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

《基于高光谱技术和IRIV-FOA-ELM算法的花椒挥发油无损检测》

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

从建模结果来看，与原始变量建立的PLS模型相比，经预处理后的全变量-PLS模型的预测效果更好。因此，本文在后面的实验中均使用标准正态变量变换算法对光谱数据进行预处理。对比评价系数可以看出，采用迭代保留信息变量算法结合隐含层神经元为18的极限学习机建立的IRIV-ELM(18）预测模型具有较高的预测能力。从预测效率来看，迭代保留信息变量算法选取的变量较少，可以大大缩短预测所用的时间。对比全变量模型，基于迭代保留信息变量算法的模型虽然减少了运算量，但预测集与训练集的决定系数差距过大，需要提高模型的预测精度，故引入果蝇优化算法对极限学习机算法中输入层与隐含层的连接权重进行寻优。本文通过设置果蝇优化算法的最大迭代次数和种群规模，观察了不同参数对模型的影响。经过多次实验后发现：随着最大迭代次数和种群规模这两个参数增大，预测时间也会延长，但预测精度会提升；当这两个参数增大到一定程度时，预测精度达到稳定。所以，本文将果蝇优化算法的最大迭代次数设置为100，种群规模设置为20。FOA-ELM模型的结果如表3所示。