《表1 UCI公开数据集信息》

  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

《基于互信息和自组织RBF神经网络的出水BOD软测量方法》

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

本文选取了两个UCI公开数据集对所提出模型的有效性进行验证，数据详细信息见表1。经过基于互信息的特征选择方法得到的特征（特征维数见表1）作为模型的输入，为了消除由于变量量纲不同对结果造成的影响，所有输入变量均归一化至[-1，1]，输出变量归一化至[0，1]。训练样本与测试样本均为随机选取，使用改进的LM算法对网络进行学习，学习率初始值设为0.1，期望均方根误差（RMSE）设置为0.01，给定结构下最大迭代步数设定为200步，总迭代步数最大值设为3000步。实验独立运行20次，计算各指标用以评价模型性能，如测试MSE、隐含层神经元数、训练时间等。此外，将该方法（ESRBFNN-MI）与已有的自组织神经网络（如ErrCor-RBF[17]、MRAN[27]、GAP-RBF[28]、GGAP-RBF[29]等）进行比较，对比结果参见表2。同时，为了验证基于互信息的特征选择方法对模型精度的改进作用，本文列出了将所有特征作为输入的ESRBFNN模型所得到的实验结果，在表2中以ESRBFNN-All表示。