《表6 SSAF-AMECoDEs和两种神经网络的收敛结果比较》
在表6中,SSAF-AMECoDEs的MSE及NMSE分别为0.038 323和0.000 04,均小于聚焦时滞递归神经网络(Focused Time Lagged Recurrent Neural Network,FTLRNN)和多层感知机神经网络(Multi-Layer Perceptron Neural Network,MLPNN)相应的值;并且SSAF-AMECoDEs的r与1最为接近。此外,SSAF所用参数的数量少于120,仅为两种神经网络所用的参数数量的1/10,且SSAF-AMECoDEs的适应值精度比FTLRNN提高了7%。由图15可以看出,在取不同的非线性函数时,LeakyRelu函数在初始迭代时表现较优,在后续迭代过程中逐渐被Sigmoid函数超越。
图表编号 | XD00197713500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.10 |
作者 | 冯子凯、陈立家、刘名果、袁蒙恩 |
绘制单位 | 河南大学物理与电子学院、河南大学物理与电子学院、河南大学物理与电子学院、河南大学物理与电子学院 |
更多格式 | 高清、无水印(增值服务) |