《表4 不同模型转移方法下的过氧化值模型RMSEP》

  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

《食用油酸值与过氧化值近红外光谱模型转移研究》

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

mmol/kg

从表3可以明显看出在对食用油酸值进行模型转移的过程中，PDS、DS、TEAM与SST算法的性能随着转换集样本数的增加而呈现提高的趋势。对于食用油酸值模型PDS与S/B算法转移性能较差，DS、TEAM、SST算法能够明显提高预测精度，其中SST算法使验证集样本RMSEP下降最快，预测效果最好，RMSEP从未使用模型转移前的0.583 6 mg/g下降到了0.167 0 mg/g，表明SST算法可以有效应用于食用油酸值模型的转移。从表4中结果可以看出，在食用油过氧化值模型的传递过程中DS、TEAM、SST算法的性能随着转换集样本数的增多而提高，PDS算法与S/B算法结果并不理想，在转换集数量较少时SST算法的转移效果更好，在转换集数量只有40个时RMSEP已经下降到12.720 0 mmol/kg，当转换集数量达到100个时相较于未传递前的预测结果RMSEP从15.801 0 mmol/kg下降到了9.989 3 mmol/kg，效果优于TEAM与DS算法。在实际应用中，转换集样本的数量增多需要的分析时间与相关成本也随之增加，且有时由于条件限制难以获得充足的转换集样本，因此在转移效果相近时使用较少的转换集样本的方法更具有实际应用价值。另外，SST算法参数设置简单，只需设置主成分数，而与之效果相近的TEAM算法需要设置隐含层神经元数量、正则项系数等超参数且不同的激活函数也会对结果造成影响，在实际应用中较为繁琐且需要的训练样本较多。