《表5 不同估算模型的建模及验证结果》

  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

《光谱特征变量和BP神经网络构建油用牡丹种子含水率估算模型》

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

将BP神经网络模型与一元线性回归模型、逐步多元线性回归模型以及目前在含水率预测中应用非常广泛的偏最小二乘回归模型进行比较，其结果见表5。为了保证模型具有可比性，建立SMLR模型和PLSR模型时，选取与构建BP神经网络模型相同的自变量（即优选的5个光谱特征变量DF1150、DF1950、DF2080、AD1930、AD2140）作为输入变量，并采用相同的独立样本进行验证。表5列出了不同估算模型的建模及验证结果。结果表明，BPNN模型的建模效果最好，建模决定系数R2为0.978，RMSE为0.220%；其次为多元线性模型，建模决定系数R2为0.961，RMSE为0.289%。就模型检验效果而言，BP神经网络模型验证效果仍然最佳，其次为多元线性模型，均优于PLSR模型和一元线性模型。PLSR模型验证决定系数Rv2为0.955，RMSEv和RPDv分别为0.242%和5.889，预测精度略低于BP神经网络模型和逐步多元线性模型；而一元线性模型无论是建模还是验模效果均最差。但是，一元线性模型仅用了一个光谱特征变量建模，从建模及验模各项参数来看估算效果也比较好，精度比较高。由于该方法最简单且容易操作，在能够满足油用牡丹种子含水率估算的精度情况下，不失为优先选择的估算方法。综合比较4类模型的建模及验模各项参数可知，4类模型的预测精度都比较高，而BPNN模型的预测效果最好，其次是多元线性估算模型。