《表4 隐藏层不同神经元个数的误差》
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。
图表编号 | XD00206372300 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.25 |
作者 | 王鑫梅、张劲松、孟平、杨洪国、孙圣 |
绘制单位 | 中国林业科学研究院林业研究所、中国林业科学研究院林业研究所、中国林业科学研究院林业研究所、南京林业大学南方现代林业协同创新中心、中国林业科学研究院林业研究所 |
更多格式 | 高清、无水印(增值服务) |