《表4 不同品种稻种SVR模型较优预测结果》
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。
图表编号 | XD00204443300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.01 |
作者 | 卢伟、张孜谞、蔡苗苗、张壹峰 |
绘制单位 | 南京农业大学人工智能学院江苏省现代设施农业技术与装备工程实验室、南京农业大学人工智能学院江苏省现代设施农业技术与装备工程实验室、南京农业大学人工智能学院江苏省现代设施农业技术与装备工程实验室、南京农业大学人工智能学院江苏省现代设施农业技术与装备工程实验室 |
更多格式 | 高清、无水印(增值服务) |