《表4 隐藏层不同神经元个数的误差》

  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

《基于无人机遥感影像的核桃冠层氮素含量估算》

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

mg/kg

反向传播（Back propagation，BP）神经网络具有并行处理、非线性、容错性和自学习的特点，在数据拟合与模拟中有着较高优越性，因此被广泛应用于遥感影像的自动分类与定量分析。本研究利用Matlab 2014b提供的Neural-work Toolbox的BP神经网络模型来估算核桃冠层氮素含量的变化。该模型由输入层、隐藏层和输出层3部分组成，输入层训练函数采用Trainlm，将特征敏感波长987、697、660、441 nm处的光谱反射率作为输入矢量P，神经元个数为4；隐藏层采用S型正切函数Tansig，神经元个数在1～20之间，通过试错法逐一实验，选取输出误差最小对应的隐藏神经元个数；输出层采用线性函数Purelin，神经元个数为1，即氮素含量估算值。在48个样本数据中，利用随机选取的40个样本作为训练集的学习目标T，将波长987、697、660、441 nm处的光谱反射率作为输入矢量来拟合模型，剩余8个样本作为验证集，对训练集拟合的多个模型进行预测，使用验证集选出误差最小的模型，训练误差如表4所示。由表4可知，当隐藏层神经元个数为5时，对应的训练误差最小，为0.030 5。因此，构成了4 -5 -1的BP神经网络模型。