《表4 基于特征光谱构建的MLR模型对猕猴桃硬度的预测结果》

《表4 基于特征光谱构建的MLR模型对猕猴桃硬度的预测结果》   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
《基于光纤光谱技术无损检测猕猴桃硬度》


  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

分别将CARS和SPA选取的特征波长作为MLR模型的自变量,校正集和预测集中猕猴桃硬度实测值作为因变量,构建预测不同成熟期猕猴桃硬度检测模型。用特征光谱建立的MLR模型对猕猴桃硬度的预测结果如表4所示,相比于基于全光谱建立的PCR和PLSR预测模型,建立的CARS-MLR预测模型具有最高的RC2(0.91)和RP2(0.85),以及最小的RMSEC(1.27 kg/cm2)和RMSEP(1.57 kg/cm2),表明该预测模型具有相对较好的校正性能和预测性能,其中RPD=2.64>2.5,说明建立的回归预测模型具有较好的预测性能[17]。同时,回归模型的输入是采用CARS在1 024个全波长中提取出42个特征波长,明显提升了预测模型的运行效率。进一步,构建CARS-MLR模型对猕猴桃硬度的校正与预测散点图(图6),图中空心圆圈表示校正集中猕猴桃硬度预测值与实测值的关系,实心三角形表示预测集中猕猴桃硬度预测值与实测值的关系,可以看出CARS-MLR模型对猕猴桃硬度的预测取得了较好的检测效果。