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
将堆栈自动编码器(SAE)与极限学习机(ELM)联合,建立了深度神经网络预测模型(SAE-ELM).利用苹果高光谱图像提取出的光谱数据,对深度神经网络的权值和阈值进行了初始化和微调.与传统ELM模型预测结果相比,SAE-ELM的预测集决定系数和残留预测偏差分别从0.7345和1.968提升至0.7703和2.116,预测集方均根误差从1.6297降至1.2837.研究结果表明:深度学习网络SAE-ELM模型的预测性能优于传统的ELM模型,将其用于预测苹果硬度是可行的.
光谱学、高光谱成像技术、硬度、堆栈自动编码器、极限学习机、无损检测
56
O433.4(光学)
四川省教育厅自然科学项目17ZB0333
2019-07-31(万方平台首次上网日期,不代表论文的发表时间)
共7页
239-245