《表2 ELM模型和SAE-ELM模型苹果硬度的计算和预测结果》

  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结合堆栈自动编码器-极限学习机方法的苹果硬度检测》

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

使用规模为90000×237的训练集完成对SAE的逐层训练，训练次数为100。以带标签的校正集样本的平均光谱数据作为输入对整个SAE-ELM网络进行微调，进一步优化网络的连接权值与阈值，微调循环次数为1000。结果如表2所示，与其他模型预测结果相比，SAE-ELM（18）模型获得了最大的RP2=0.7703和RRPD=2.116，以及最小的RRMSEP=1.2837。校正集样本和预测集样本的预测值和实际测量值之间的散点图如图6所示，尽管基于特征波段的ELM模型和SAE-ELM（18）模型的校正集样本的预测值和实际测量值之间的拟合优度大致一样，但SAE-ELM（18）模型的预测集样本分布在直线周围的散点更加紧密，拟合优度更好。