《表2 概率神经网络(PNN)和广义回归神经网络(GRNN)的分类与判别结果》

  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

《大花红景天和长鞭红景天的无损鉴别》

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

为更好地实现大花红景天和长鞭红景天的分类鉴别，分别基于全波长和SPA算法提取的特征波长建立PNN和GRNN模型进行比较。为建立神经网络分类与判别模型，分别给大花红景天赋值为二维向量[1 0]，长鞭红景天赋值为[0 1]。由于PNN和GRNN采用的是径向基函数，而径向基函数分布密度的取值会影响神经网络的分类精度。因此，以步长0.01在0.01到0.5区间内采用循环遍历法选择不同的径向基函数进行试验，根据模型训练集和预测集的分类精度，选择最优的分布密度值。由图4可见:在PNN模型中，当分布密度值在0.01～0.08时，训练集和测试集的分类精度最高，且均方根误差均为0，因此，在考虑模型稳定性的情况下，选择中间点0.05建立基于全波长的PNN分类模型。而在GRNN模型中，通过比较最高分类正确率下训练集和测试集的均方根误差，选择最小均方根误差对应的分布密度值0.01作为基于全波长的GRNN模型的最优参数。为获得最佳的分类结果，分别选取0.02、0.01作为基于最佳波长的PNN和GRNN模型的最佳参数（图4）。由表2可知:无论是对于基于全波长还是SPA选择的特征波长，PNN和GRNN均能实现对训练集和测试集的正确分类，分类精度均能达到100%。因此，高光谱成像系统（HIS）结合PNN和GRNN模型均能够很好地鉴别大花红景天和长鞭红景天；通过比较基于全波长和基于SPA选择的特征波长建立的PNN和GRNN模型对训练集和测试集分类的正确率，发现正确率全部为100%。因此，SPA选择的特征波长完全可代替全波长建立PNN和GRNN模型，对大花红景天和长鞭红景天进行分类鉴别。