《表4 不同品种稻种SVR模型较优预测结果》

  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

《基于光声光谱和TCA迁移学习的稻种活力检测》

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

本文先分别采用BP神经网络（BP）、广义回归神经网络（GRNN）、最小二乘法回归（PLSR）、支持向量回归（SVR)4种建模方法，基于8种调制频率建立水稻种子活力预测模型，特征波长作为模型输入，水稻种子活力作为模型输出，且每种检测频率均以3∶1为比例随机选出校正集与预测集。以Y两优为例，基于不同深度与不同特征提取方法的建模结果对比如表3所示。由表3可知，Y两优在不同深度下的SVR建模结果均较优，BP、PLSR和GRNN建模在不同深度下的结果优劣情况不同，且稳定性较差。结合建模精度，300 Hz为较优调制频率，该频率下校正集和预测集的相关系数较高且均方误差较小。其余4种品种水稻活力的预测模型建立结果与Y两优呈现相同趋势，均在调制频率300 Hz下SVR预测结果较优，且CARS的降维效果较好。因此，选用CARS降维方式，在调制频率为300 Hz时，获得不同品种稻种SVR模型较优预测结果，如表4所示。