【摘要】：图12-9 样本数据二阶导数+SNV的聚类分析结果通过上述建模对比分析，从表12-1可以看出来，除了不进行预处理之外的其他建模方法均可做到100%分类准确。如上述结果所示，根据树状图，62个茶叶样本被分成两类，可以看到树状图按奇偶数分为两个分支，与样本新、老茶叶按奇偶数分开的编码规则一样。表12-1 新、老茶叶近红外光建模结果分析对比表
1.不进行预处理
由树状图可以看出此模型分类不准确，从图12-4中可以看出分类错误较多，模型准确率仅为83.3%，所以此模型不可采用。
图12-4 样本数据不进行预处理的聚类分析结果
2.SNV
如图12-5所示，此模型分类正确，并且测试样本分类也均正确无误。
3.一阶导数
如图12-6所示，此模型分类正确，并且测试样本分类也均正确无误。
4.一阶导数+SNV
如图12-7所示，此模型分类正确，并且测试样本分类也均正确无误。
图12-5 样本数据SNV的聚类分析结果
图12-6 样本数据一阶导数的聚类分析结果(www.xing528.com)
图12-7 样本数据一阶导数+SNV的聚类分析结果
5.二阶导数
如图12-8所示，此模型分类正确，并且测试样本分类也均正确无误。
图12-8 样本数据二阶导数的聚类分析结果
6.二阶导数+SNV
如图12-9所示，此模型分类正确，并且测试样本分类也均正确无误。
图12-9 样本数据二阶导数+SNV的聚类分析结果
通过上述建模对比分析，从表12-1可以看出来，除了不进行预处理之外的其他建模方法均可做到100%分类准确。如上述结果所示，根据树状图，62个茶叶样本被分成两类，可以看到树状图按奇偶数分为两个分支，与样本新、老茶叶按奇偶数分开的编码规则一样。
表12-1 新、老茶叶近红外光建模结果分析对比表
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
