《表4 不同输入变量筛选方法下GA-BPNN神经网络模型拟合结果Tab.4 Fitting results of GA-BPNN neural network models with differen

  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

《基于可见光—近红外图像的幼龄檀香全磷含量诊断》

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

将ST和MIV筛选得到的结果以及全部变量分别进行输入，拟合和预测结果分别如表4、图5所示。从表4和图5中可以看出，不显著变量的参与使得BPNN出现了“过拟合”现象，相比之下，ST和MIV处理均提高了各评价指标。综合各指标可以得出MIV筛选出的变量对结果的影响更显著的结论。这是由于全磷含量与各参数之间存在复杂的非线性过程，所以仅靠分析方差与协方差的比值不足以很好地表达变量之间的关系，而MIV与BPNN相结合，通过多次迭代得到最终影响值，更好地解释了其中的非线性关系，提高了精度。