《表1 网络训练误差与隐含层神经元数量的对应关系》
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。
图表编号 | XD00166324900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.01 |
作者 | 付宗营、蔡英春、高鑫、周凡、江京辉、周永东 |
绘制单位 | 中国林业科学研究院木材工业研究所国家林业和草原局木材科学与技术重点实验室、东北林业大学材料科学与工程学院、中国林业科学研究院木材工业研究所国家林业和草原局木材科学与技术重点实验室、中国林业科学研究院木材工业研究所国家林业和草原局木材科学与技术重点实验室、中国林业科学研究院木材工业研究所国家林业和草原局木材科学与技术重点实验室、中国林业科学研究院木材工业研究所国家林业和草原局木材科学与技术重点实验室 |
更多格式 | 高清、无水印(增值服务) |