《表6 SSAF-AMECoDEs和两种神经网络的收敛结果比较》

  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

《基于结构自适应滤波方法的非线性系统辨识》

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

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。