《表1 模型组合结构实验结果》

  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

《基于粒子群优化–长短期记忆网络模型的变压器油中溶解气体浓度预测方法》

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

PSO-LSTM网络模型由输入层、1个隐藏层和输出层组成[21]，采用Adam算法训练LSTM内部参数，隐藏层中的激活函数使用tanh函数，网络节点的舍弃率取0.2，为防止过度拟合，迭代次数取100；同时，利用训练集样本数据构建LSTM网络、RNN网络、SVM网络、RF网络预测模型，结合文献[22-23]可将LSTM模型中学习率设置为0.001、隐藏层神经元个数可由经验公式（16）进一步通过控制变量的方法，不断增加神经元的个数来调试模型的预测效果，实验结果如表1所示，分析可知最终选取神经元的个数为10；RNN网络模型中激活函数使用Relu，初始学习率为0.01，隐藏层单元数为10，训练次数100次；SVM网络模型中采用径向核函数（radial basis function，RBF），其中核参数为8.419 3，惩罚因子C取1000，停止训练误差取0.001；RF网络模型中决策树棵树为500，分裂特征数取4。