《表2 不同分类器的训练集预测结果 (%)》
柄和盖FTIR光谱预处理后,分别建立柄和盖的独立决策模型。将归一化后柄和盖FTIR光谱数据串联,得到新的数据集进行模型训练,建立低级数据融合模型。柄和盖FT-IR光谱数据进行PLS-DA降维,筛选特征值大于1的前几个主成分,分别提取柄和盖模型的前16与前18个主成分得分进行融合,建立中级数据融合模型。不同模型的数据集采用Kennard-Stone算法,选择83个样品作为训练集,其余40个样品为预测集,Complex Tree,Medium Tree,Simple Tree,Linear Discriminant,Linear SVM,Quadratic SVM,Cubic SVM,Fine Gaussian SVM,Medium Gaussian SVM,Fine KNN,Medium KNN,Cosine KNN,Cubic KNN,Weighted KNN,Bagged Trees,Subspace Discriminant和Subspace KNN算法进行模型训练,比较训练集正确率(表2),确定不同模型的最佳分类算法。结果显示,菌柄、菌盖和低级数据融合模型最佳分类算法均为Linear Discriminant,训练集正确率分别为92.8%,96.4%和97.6%。中级数据融合模型为Subspace Discriminant,训练集正确率为100%。表明Linear Discriminant与Subspace Discriminant算法能改善模型分类效果。
图表编号 | XD0032187000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.02.01 |
作者 | 张钰、李杰庆、李涛、刘鸿高、王元忠 |
绘制单位 | 云南农业大学农学与生物技术学院、云南省农业科学院药用植物研究所、云南农业大学农学与生物技术学院、玉溪师范学院资源环境学院、云南农业大学农学与生物技术学院、云南省农业科学院药用植物研究所 |
更多格式 | 高清、无水印(增值服务) |