《表1 网络训练误差与隐含层神经元数量的对应关系》

  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

《基于人工神经网络模型的木材干燥应变模拟预测》

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

弹性应变和机械吸附蠕变网络预测模型均采用3层前馈型网络结构，包括输入层、隐含层和输出层，各层神经元仅与相邻层神经元之间全连接，同一层神经元之间无连接，各层神经元之间无反馈连接（Hagan et al.，1996）。对于该类型网络来说，隐含层神经元数量直接关系到模型的预测能力，若数量过多，不仅会增加网络训练时间，而且有可能出现过拟合现象；若数量过少，则会导致模型训练不充分，不能全面表达输入变量与输出变量之间的关系，从而影响模型预测能力。隐含层神经元数量确定的一般原则是:在可表达输入变量与输出变量之间关系的基础上，尽可能选用较少数量的神经元，以使网络结构相对简单。本研究采用网络结构增长型方法，即开始阶段，选用较少数量的隐含层神经元，通过网络训练测试学习误差；而后逐步增加隐含层神经元数量，直至达到预设的目标学习误差为止；最后，通过模型验证进一步优化网络结构。网络训练误差与隐含层神经元数量的对应关系如表1所示，M1（弹性应变网络预测模型）中神经元数量超过7个时，出现过拟合现象；而M2（机械吸附蠕变网络预测模型）中神经元数量为8个时，已接近网络目标误差。因此，M1隐含层神经元数量最终确定为6个，M2隐含层神经元数量最终确定为8个。