《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》
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。
图表编号 | XD00116650200 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.25 |
作者 | 杜震洪、吴森森、王中一、汪愿愿、张丰、刘仁义 |
绘制单位 | 浙江大学地球科学学院地理与空间信息研究所、浙江省资源与环境信息系统重点实验室、浙江大学地球科学学院地理与空间信息研究所、浙江省资源与环境信息系统重点实验室、浙江大学地球科学学院地理与空间信息研究所、浙江大学地球科学学院地理与空间信息研究所、浙江省资源与环境信息系统重点实验室、浙江大学地球科学学院地理与空间信息研究所、浙江省资源与环境信息系统重点实验室、浙江大学地球科学学院地理与空间信息研究所、浙江省资源与环境信息系统重点实验室 |
更多格式 | 高清、无水印(增值服务) |