《表2 BP神经网络模型的预测误差》

  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

《基于人工神经网络的纺粘非织造布孔径及其分布预测》

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

此外，随着隐含层神经元个数的增加，平均孔径预测精度的变化较为平缓，MAPE最高值为3.04%（6#模型），仅比最低值的2.12%（3#模型）高出43.4%。孔径变异系数预测精度的波动相对较大，MAPE最高达4.87%（7#模型），是最低值2.33%（3#模型）的2.09倍。随着隐含层神经元个数的增加，无论是平均孔径还是孔径变异系数的预测误差，从总体而言都呈先降后升态势。这一现象表明隐含层神经元个数的设置对模型预测的精确度具有明显的影响，在一定范围内增加神经元个数对优化网络权值和阈值具有积极作用。但神经元个数超过一定数值后，会出现“过拟合”现象，此时网络权值和阈值反而趋于劣化，模型的预测精度随之降低，并且其波动加剧，如从5#—7#模型，即隐含层神经元个数多于7个以后，平均孔径与孔径变异系数的MAPE数值都发生了较为剧烈的波动。所有模型中，以3#模型（隐含层神经元数目为5）的预测误差为最小，平均孔径的MAPE值为2.12%，孔径变异系数的MAPE值为2.33%。因此，本文优选出3#模型作为最终的纺粘非织造布孔径及其变异系数的预测模型。