《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》
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。
图表编号 | XD0066607900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.10 |
作者 | 饶利波、庞涛、纪然仕、陈晓燕、张洁 |
绘制单位 | 四川农业大学机电学院、四川农业大学机电学院、四川农业大学机电学院、四川农业大学信息工程学院、四川农业大学农业信息工程四川省重点实验室、四川农业大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |