《表2 不同训练函数10次预测R2的均值》
注:R2为10次预测结果的平均值。
在隐含层神经元个数为7时,从表2中可以看到,3种训练算法对训练集和测试集预测的R2均大于0.95,表现出较好的预测能力。L-M算法对训练集和测试集预测的R2分别为0.965、0.977,预测精度高于拟牛顿算法,略低于贝叶斯正则化算法。其中贝叶斯正则化算法展现出了最优的预测性能,对训练集和测试集预测的R2分别为0.969、0.983。拥有自适应正则化参数的贝叶斯正则化算法能够更好地规避网络训练时欠拟合和过拟合的问题,进而保障BP神经网络的鲁棒性和泛化性能,本文选择隐含层神经元个数为7时基于贝叶斯正则化算法的BP神经网络建立BR(Bayesian regularization)-BPNN分割粒径模型。
图表编号 | XD00197887800 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.05 |
作者 | 刘金鹏、赵兵涛、钱魏锋、李会梅 |
绘制单位 | 上海理工大学能源与动力工程学院、上海市动力工程多相流动与传热重点实验室、上海理工大学能源与动力工程学院、上海市动力工程多相流动与传热重点实验室、上海理工大学能源与动力工程学院、上海市动力工程多相流动与传热重点实验室、上海理工大学能源与动力工程学院、上海市动力工程多相流动与传热重点实验室 |
更多格式 | 高清、无水印(增值服务) |