《表4 模型预测结果:基于回声状态网络的干旱预测方法研究》
为了比较ESN在干旱预测方面的性能,本文同时采用BP神经网络对上述模型进行了预测,其中BP神经网络的参数设置如下:隐含层节点数的设置借鉴经验公式,其中,n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数,故3个模型的隐含层节点数均设置为23;迭代次数设置为3000;学习率设置为0.01,激励函数选取‘tansig’。表4分别给出了ESN与BP神经网络对3个模型的预测结果。通过比较模型性能评价指标RMSE、E和CORR可知,ESN对研究区干旱的预测性能均高于BP神经网络。而从运行时间来看,由于ESN储备池内部调整可以简化为回归计算,因此运行时间较BP神经网络大幅度减少。单从ESN预测的性能而言,RMSE的值从小到大排序为模M3、M2和M1;E的值从大到小的排序为M3、M2和M1;CORR的值从大到小的排序为M3、M1和M2。综合三个指标来看,预测精度最高的是M3,其次是M2,最后是M1。原因在于M3的输入因子有4个,M2有3个,而M1只有2个,据此可知,ESN预测的精度与模型输入因子的个数有一定的关系,即有效的输入因子个数越多,模型预测精度越高。为了直观的比较ESN应用于3个模型的预测精度,最佳预测结果如图4所示。
图表编号 | XD00221377400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.30 |
作者 | 贾家超、胡浩、赵相斌、蒋先荣、刘振男 |
绘制单位 | 贵州理工学院土木工程学院、贵州理工学院土木工程学院、贵州理工学院土木工程学院、贵州理工学院土木工程学院、贵州理工学院土木工程学院 |
更多格式 | 高清、无水印(增值服务) |