《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》

  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

《基于回声状态网络的干旱预测方法研究》

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

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。