《表4 不同输入变量筛选方法下GA-BPNN神经网络模型拟合结果Tab.4 Fitting results of GA-BPNN neural network models with differen
将ST和MIV筛选得到的结果以及全部变量分别进行输入,拟合和预测结果分别如表4、图5所示。从表4和图5中可以看出,不显著变量的参与使得BPNN出现了“过拟合”现象,相比之下,ST和MIV处理均提高了各评价指标。综合各指标可以得出MIV筛选出的变量对结果的影响更显著的结论。这是由于全磷含量与各参数之间存在复杂的非线性过程,所以仅靠分析方差与协方差的比值不足以很好地表达变量之间的关系,而MIV与BPNN相结合,通过多次迭代得到最终影响值,更好地解释了其中的非线性关系,提高了精度。
图表编号 | XD0028426700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.02.01 |
作者 | 陈珠琳、王雪峰、孙汉中 |
绘制单位 | 中国林业科学研究院资源信息研究所、中国林业科学研究院资源信息研究所、内蒙古得耳布尔林业局 |
更多格式 | 高清、无水印(增值服务) |
查看“表4 不同输入变量筛选方法下GA-BPNN神经网络模型拟合结果Tab.4 Fitting results of GA-BPNN neural network models with different input variables”的人还看了
- 表4 不同色温LED背光LCD的光谱拟合结果Tab.4 Fitting results of LED backlight LCD spectra under different color temperature
- 表4 本文模型对钢筋混凝土墩柱特征损伤状态的拟合结果Tab.4 Fitting Results of Proposed Damage Model to Characteristic Damage State