《表3 样本训练次数比较:基于循环神经网络的船舶航迹预测》
实验结果如表3~表5所示。由表3可知,随着样本训练次数的增加,计算耗时近似正比例增长,预测精度也不断提高,当训练次数由9增加至10时,预测精度不增反降。此外,样本训练次数由2增加至3时,MSE变化量最大,精度提升最为显著,而后续随着训练次数的增长,精度提升的速度缓慢,且耗时越来越长。因此,训练次数2或3为较好的选择;若侧重于缩短计算耗时,训练次数2为最佳;若侧重于提升预测精度,训练次数3为最佳。由表4可知,批处理数量为16时,其结果与24相比没有任何优势;而批处理数量为24时的预测误差明显低于32的预测误差,同时计算耗时的差距较小。因此,批处理数量为24时的实验效果最好。由表5可知,神经元数量由40增至100时,预测误差不断降低,之后误差提高,计算耗时近似等距增长。因此,选择神经元数量为100时的结果最佳。
图表编号 | XD00140277400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.04.01 |
作者 | 胡玉可、夏维、胡笑旋、孙海权、王云辉 |
绘制单位 | 合肥工业大学管理学院、过程优化与智能决策教育部重点实验室、合肥工业大学管理学院、过程优化与智能决策教育部重点实验室、合肥工业大学管理学院、过程优化与智能决策教育部重点实验室、合肥工业大学管理学院、过程优化与智能决策教育部重点实验室、合肥工业大学管理学院、过程优化与智能决策教育部重点实验室 |
更多格式 | 高清、无水印(增值服务) |