《表4 不同模型性能比较Tab.4 Performance comparison of different models》

  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

《基于人工蜂群波长优选和残差增广的近红外光谱定量模型研究》

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

CRACLS是一种浓度残差增广最小二乘算法，具有良好的定量分析能力（图4）.为了体现ABC-CRACLS算法的优越性，与采用全光谱CRACLS、GA-CRACLS、全光谱PLS、ABC-PLS、GA-PLS模型进行比较，见表4.由表4可知，经过多元散射校正预处理后，通过ABC提取出的特征波长建立的CARCLS模型的结果最优，该模型的校正集、测试集的预测均方根误差分别为:0.000 9和0.012 1.当全谱828个波长变量参与建模，变量之间的强相关性也可能会影响建模效果，因此全光谱PLS和全光谱CRACLS建模效果相对其它几种经过波长优选的模型来的差.人工蜂群提取的特征波长组合建立的模型效果比遗传算法提取的特征波长组合建立的模型效果好，说明人工蜂群能更准确地提取出有效特征波长点组合.CRACLS、GA-CRACLS、ABC-CRACLS相对于PLS、GA-PLS、ABC-PLS模型的均方误差都相对较低，说明CRACLS模型对于果汁中的原汁含量测量性能更强.由图4可知，ABC-CRACLS模型的Rp为0.999 1，RMSEP仅为0.012 1，说明该模型能对果汁中的原汁含量做出准确的预测.由于实验室制作的样本数的环境干扰少，测试样本与结果成强相关性，但依旧能发现ABC-CRACLS优于其它模型.