《表6 基于第4组数据集的评价指标》

  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L2正则化LSTM的非线性动态系统辨识》

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

从表3～6的结果可以看出，相较于BP和SVR而言，L2-G-LSTM对TE过程进行辨识时，在训练集和测试集上得到的RMSE、MAPE相对较小，R2和ACC更接近于1，得到的拟合模型更加接近真实模型。同时根据预测结果和实际输出的对比，L2-G-LSTM在验证集上进行验证时，能够更好地反映出系统阶跃响应的各项指标，综合评价指标和预测结果对比结果，可以充分说明L2-G-LSTM具有更高的泛化能力和更高的辨识精度，能够更好地对非线性动态系统进行建模。实验中的4组数据集分别对应4种情况，无论在哪种情况下L2-G-LSTM网络基本都能得到综合评价下的最优结果，基于这一点说明基于L2正则化的LSTM对于输入数据的要求较低，为化工实际生产过程的建模提供了更多可能。