《表2 模型的预测结果对比》

  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

《基于半监督深度网络的冷连轧轧制力预报》

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

为了更好地比较轧制力预测效果，表2中列出了几种预测模型的评价指标。从表中数据可以看出，CDOS-ELM模型虽然具有较快的训练速度，但由于该模型为浅层网络模型，预测能力及泛化能力受一定制约，因此其预测精度相对较低。对于多层神经网络（multilayer NN）模型，由于其权重变量是通过随机初始化得到的，因此在训练时很容易陷入局部最优，导致模型无法训练。SAE模型因加入了预训练机制，使得深度网络不会陷入局部最优，加快了训练进程。SDAE模型依据去噪准则提取高阶去噪特征，提高了模型的泛化性能，因此其在测试集上的预测误差有所降低。然而，SDAE模型侧重于对输入空间的每个维度进行相等的重构。其不能保证每个层中的所有特性都与目标值相关。PL-SDAE模型可以从其输入层中找到与目标值相关的特征表示，将目标值信息整合到预训练过程中。与其他数据驱动预测模型相比，PL-SDAE模型具有更好的预测性能。