《表2 SVM、BPNN、PLS和RF检测结果》
分别采用偏最小二乘(PLS)、支持向量机(SVM)、反向传播神经网络(BPNN)、随机森林(RF)四种机器学习方法对橄榄油的储藏天数进行预测,用于表示橄榄油的氧化程度。其中,PLS兼具主成分分析法和多元线性回归法的优势,计算过程相对简单;SVM是一种快速多元建模的方法,能够进行线性和非线性的多元建模;BPNN采用一种反向传递并且改正误差的多层映射网络,能有效控制预测结果均方根误差;RF是基于汇编学习算法的分类器,在多变量的学习建模中具有较好效果。通过四种典型建模方法,对橄榄油的储藏时间进行预测,得到的预测结果如表2所示。通过表2可以看出,在所有的方法中SVM的预测效果最佳,其模型在建模集和预测集中的预测准确率分别达到了98.5%和99%。在其他三种模型的预测结果中,预测正确率虽然低于SVM,但均高于90%,说明太赫兹光谱在检测橄榄油品质中具有良好的效果。RF方法的预测结果再预测集和建模集中的结果都是最低的,可能由于实验样本不足,没有建立较为理想的检测模型。总体上看,太赫兹光谱对橄榄油中脂肪酸的含量具有较好的敏感度,从而能够反应出橄榄油的氧化进程。通过以上不同的机器学习方法,可以有效处理太赫兹的光谱数据,并建立相关的鉴别模型,将太赫兹光谱数据与橄榄油储藏时间进行关联。在对比的不同机器学习建模方法中,SVM最适合鉴别不同氧化程度橄榄油检测。
图表编号 | XD00205809600 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.15 |
作者 | 刘伟、刘长虹、余俊杰、李扬 |
绘制单位 | 合肥学院机器视觉与智能控制实验室、合肥工业大学食品科学与工程学院、合肥工业大学食品科学与工程学院、阜阳师范大学生物与食品工程学院、安徽永成电子机械技术有限公司 |
更多格式 | 高清、无水印(增值服务) |