《表3 不同增量型随机权神经网络算法的铁水质量建模结果对比》

  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

《优化增量型随机权神经网络及应用》

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

表3为采用不同增量型随机权神经网络算法在相同数据集上做的对比实验，由于各增量型RVFLNs隐层节点的输入权值和偏置是在给定范围内随机选取的，为了克服随机性对结果造成的不稳定，对比实验取30次实验的平均值作为最终结果。通过对比发现，传统I-RVFLNs算法在到达终止条件时，网络的隐层节点数已经达到了算法的最大允许值1000。因此，传统I-RVFLNs建立的模型结构过于复杂，测试时间较长。EI-RVFLNs算法在到达终止条件时，网络中的隐层节点数与I-RVFLNs相差不大，由于该算法在训练过程中对每个隐层节点的输入参数进行了筛选，因此模型预测精度要高于I-RVFLNs，但模型训练时间较长。相比之下，所提O-I-RVFLNs算法在满足停止条件时，网络中的隐层节点数仅为173，因此采用所提方法建立的模型结构最简单，测试时间最短，而且模型预测的精度也较高。