补偿模糊神经网络水果形状分级器分级误差

针对神经网络对水果进行分级时精度有待提高的问题,分析了补偿模糊神经网络椪柑形状分级器的分级误差。将椪柑图像前4个傅里叶描述子按期望输出模糊变量值大小排列成单调递增、单调递减、钟形分布和锯齿形分布4种训练样本,分别训练同一补偿模糊神经网络水果形状分级器,用递减排序后的同一测试样本检验分级器性能,试验表明,单调递减顺序训练样本所训练的分级器分级误差最小为1.875%,钟形分布、单调递增顺序和锯齿形分布训练样本所训练的分级器分级误差依次增大,分别为15%、63.125%、75%。分析分级误差与样本间顺序的对应关系,建立分级误差模型,结果表明,同顺序的测试样本与训练样本间相关系数大,分级误差小;不同顺序的测试样本与训练样本间相关系数小,分级误差大。因此,测试样本与训练样本按水果同一品质特征同序排列,提高样本间的相关程度,将大幅度降低神经网络类分级器分级误差,提高正确识别率。