《表2 第1个实验数据构建的虚拟样品》

  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

《BP神经网络结合遗传算法优化玫瑰茄火龙果固体饮料工艺条件》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

BP-NN是人工神经网络中最具代表性和应用最为广泛的一种非线性拟合方法[23]。本研究基于正交实验数据建立BP-NN模型进行拟合和预测[24]，但由于BP-NN需要大量样本数据进行训练，故增加了虚拟样本量，虚拟样本的生成方法是在每个实际样本的各变量增加一个±Δi值[25-26]，本文Δi取0.2%，根据L8（27）正交设计表，使每个实际样本产生8个虚拟样本，由此得到72个虚拟样本，增加了训练样本的代表性，加上9个实际样本，参加BP-NN训练和测试的样本共81个，其中选61个作为训练集，20个作为测试集，表2是以第1个实验数据构建的虚拟样品参数。采用包含1个隐含层的3层BP-NN建模以逼近存在于训练数据间的函数关系，其中影响神经网络建模效果的参数为隐含层的神经元数量，根据公式[27]（1）考察隐含层节点数p=1～12时的BP-NN模型，以预测结果的均方误差（RMSE）确定隐含层神经元数，以预测相关系数R和预测结果的相对误差评价BP-NN模型的有效性。