《表2 SVM、BPNN、PLS和RF检测结果》

  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

《基于时域太赫兹光谱技术的橄榄油氧化程度检测研究》

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

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。