《表3 GNNWR模型网络架构与超参数设置》

  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

《基于地理神经网络加权回归的中国PM_(2.5)浓度空间分布估算方法》

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

为提高GNNWR模型空间加权神经网络的优化效率与求解能力，论文设计了如图4所示的神经网络架构和实现策略。空间加权神经网络各层之间均采用全连接网络，并运用Srivastava等[36]提出的Dropout技术提高模型泛化能力。另外，每个隐藏层均使用He等[37]提出的参数初始化方法和参数整流线性单元（PReLU）激活函数以提高模型优化效率。同时，为了减少内部协变量转变问题的影响，隐含层还引入批归一化（Batch Normalization）技术进一步提高GNNWR模型的计算能力[38]。综合考虑输入层和输出层的神经元数量，文章采用5层神经网络结构，包含1个输入层、3个隐含层、1个输出层，神经元个数分别设置为[1004，512，256，128，7]，初始学习率设为0.2，epoch最大迭代数为20 000，批处理大小为64，Dropout层的丢失比例为0.2，具体设置如表3所示。