通过分析朴素贝叶斯分类器的分类原理,并结合多重判别分析的优点,提出了一种基于多重判别分析的朴素贝叶斯分类器DANB(D iscrim inantAnalysis Naive Bayesian c lassifier).将该分类方法与朴素贝叶斯分类器(Naive Bayesian c lassifier...通过分析朴素贝叶斯分类器的分类原理,并结合多重判别分析的优点,提出了一种基于多重判别分析的朴素贝叶斯分类器DANB(D iscrim inantAnalysis Naive Bayesian c lassifier).将该分类方法与朴素贝叶斯分类器(Naive Bayesian c lassifier,NB)和TAN分类器(Tree Augm ented Naive Bayesian c lassifier)进行实验比较,实验结果表明在大多数数据集上,DANB分类器具有较高的分类正确率.*展开更多
针对长江中下游稻区不同粳稻品种,以不同纬度多个地点的860份稻米样本为材料,基于11项食味品质指标,运用主成分分析、多元线性回归、偏最小二乘法、判别分析、分类回归树(classification and regression free,CART)决策树与反向传播(bac...针对长江中下游稻区不同粳稻品种,以不同纬度多个地点的860份稻米样本为材料,基于11项食味品质指标,运用主成分分析、多元线性回归、偏最小二乘法、判别分析、分类回归树(classification and regression free,CART)决策树与反向传播(back propagation,BP)神经网络分别建立稻米食味品质等级预测模型,通过验证模型的准确性与稳定性,筛选出适合稻米食味品质综合评价的方法或模型。结果表明:BP神经网络模型的2次验证准确度与稳定性均最高,预测准确率分别为92.68%与92.31%;偏最小二乘法模型的2次预测准确率均在80%以上(分别为80.49%、87.18%),但2次验证结果相差较大(6.69%);判别分析与多元线性回归模型的平均预测准确率相近(分别为80.12%、78.77%),但判别分析模型的稳定性优于多元线性回归模型;主成分分析模型的平均预测准确率最低(67.32%),且2次验证结果差异也较大(8.94%);CART决策树模型的稳定性最差,2次验证准确率分别为53.66%与89.74%,相差达36.08%。因此,利用BP神经网络模型预测稻米食味品质等级具有较高的准确性与稳定性,可为长江中下游稻区稻米食味品质综合评价与优质食味水稻品种的筛选提供理论与方法支持。展开更多
基金Supported by the National Natural Science Foundation of China under Grant No.60473140(国家自然科学基金)the National HighTech Research and Development Plan of China under Grant No.2006AA01Z154(国家高技术研究发展计划(863))+1 种基金the Program for New Century Excellent Talents in University under Grant No.NCET050287(新世纪优秀人才支持计划)the National 985 Project of China under Grant No.9852DBC03(国家985工程)
文摘针对长江中下游稻区不同粳稻品种,以不同纬度多个地点的860份稻米样本为材料,基于11项食味品质指标,运用主成分分析、多元线性回归、偏最小二乘法、判别分析、分类回归树(classification and regression free,CART)决策树与反向传播(back propagation,BP)神经网络分别建立稻米食味品质等级预测模型,通过验证模型的准确性与稳定性,筛选出适合稻米食味品质综合评价的方法或模型。结果表明:BP神经网络模型的2次验证准确度与稳定性均最高,预测准确率分别为92.68%与92.31%;偏最小二乘法模型的2次预测准确率均在80%以上(分别为80.49%、87.18%),但2次验证结果相差较大(6.69%);判别分析与多元线性回归模型的平均预测准确率相近(分别为80.12%、78.77%),但判别分析模型的稳定性优于多元线性回归模型;主成分分析模型的平均预测准确率最低(67.32%),且2次验证结果差异也较大(8.94%);CART决策树模型的稳定性最差,2次验证准确率分别为53.66%与89.74%,相差达36.08%。因此,利用BP神经网络模型预测稻米食味品质等级具有较高的准确性与稳定性,可为长江中下游稻区稻米食味品质综合评价与优质食味水稻品种的筛选提供理论与方法支持。
