《表2 基于MNF特征信息提取的LDA和BPNN判别分析模型结果》

  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

《基于高光谱成像技术识别水稻纹枯病》

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

原始光谱经过MNF运算后将616个波段信息压缩成11维的特征信息作为输入，分别建立LDA模型和BPNN模型。将冠层健康样本和染病样本这两类LDA分别赋值为1和0，首先对每个样本的11维输入数据进行降维，然后找到1个最能使得样本点分离的判别分析函数；建立BPNN模型中，神经网络采用单隐含层3层网络结构，经过多次尝试后将隐含层的节点数设置为12，BPNN最大迭代次数为1 000，学习速率为0.6，目标误差为10–5，判别阈值设置为0.5。2种模型的判别分析效果如表2所示。由表2可知，LDA模型建模集正确率达96.6%，预测集正确率达95.3%，建模集与预测集的正确率均超过95%，取得了较好的预测效果。采用MNF提取的特征信息作为BPNN神经网络的输入变量，选择3层结构的BP神经网络，因为MNF算法提取的特征信息是11维的，所以输入层节点数设置为11。因为研究需要识别健康和染病样本，所以输出节点数设置为2。BPNN模型建模集和预测集的正确率分别为99.1%和98.4%，均接近100%。LDA模型与BPNN模型相比，BPNN模型取得了较优的预测效果。