《表2 不同模型采集光谱建模预测结果》

  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

《基于深度学习的西瓜可见/近红外光谱可溶性固形物预测模型研究》

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

由表2可知，KNN在PCA降维数为8时效果最好，此时8个主成分贡献率高达99%。KNN回归使用了保留超过99%信息的主元素进行建模，但无论是在相关系数、RMSEC以及RMSEP的表现上都差强人意，校正集中Rc为0.697 7，RMSEC为0.965 0°Brix，该算法在校正集中难以实现较好的收敛效果，可能由于输入数据维度不足导致无法实现有效回归，但由于KNN法是一种依赖距离选取邻居的算法，过多的维度会导致维度灾难同样不利于模型训练。随机森林模型出现了较大的过拟合现象，校正集中Rc为0.962 5，RMSEC为0.629 3°Brix，但预测集中Rp=0.676 5且RMSEP接近1.000 0°Brix，可能是随机森林回归算法中的CART弱学习器在bagging过程中每次选取不同训练样本导致模型的误差期望难以收敛，并且未进行剪枝操作导致模型出现过拟合现象。CNN模型与Res-CNN模型在校正集中的相关系数均>0.8，分别为0.813 2，0.875 0，校正集和预测集中的相关系数比较接近，CNN差值为0.042 7，Res-CNN差值为0.018 2，均方根误差也比较稳定，其差值分别为0.008，0.564°Brix，其中Res-CNN的表现均优于CNN，两个模型的计算量近乎相等，说明通过改变模型结构，Res-block在一定程度上提高了模型性能。