《表4 混合黄芪粉原始数据主成分的荷载参数》

  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

《基于广义回归神经网络的中药片剂崩解时限预测》

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

利用SPSS 21软件对粉体学性质的原始数据进行PCA，得3个主成分（F1～F3），其特征值均>1，累计贡献率89.057%，符合主成分提取要求[20]，见表3。由表4初始因子载荷可知，混合黄芪粉的ρb，ρbt，ε及Cs对第1主成分因子有较大贡献；HR，C及MC对第2主成分有较大贡献；ρt及α对第3主成分有较大贡献，分别说明各主成分基本反映了相应指标的信息，故提取3个主成分能够比较全面地反映指标总体特征。选取上述得出的3个主成分F1，F2及F3作为GRNN预测模型的输入变量进行网络训练学习，从而简化神经网络模型的结构。ρt，ρb，ρbt，HR，C，α，ε，MC，Cs分别用X1，X2，X3，X4，X5，X6，X7，X8，X9表示，根据主成分载荷矩阵得分系数，得每个主成分的线性表达式分别为F1=-0.099X1+0.208X2+0.23X3+0.109X4+0.111X5-0.057X6-0.201X7-0.120X8+0.219X9，F2=0.183X1-0.158X2+0.014X3+0.316X4+0.314X5+0.147X6+0.196X7-0.249X8-0.017X9，以及F3=-0.581X1-0.015X2+0.034X3+0.087X4+0.084X5+0.679X6+0.026X7+0.227X8-0.045X9。