《表3 两个神经网络反演水汽密度廓线的运算速度性能对比》

  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

《一种基于RBF神经网络的大气温度及水汽密度廓线反演方法》

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

综合图5和图6可知，RBF神经网络利用测试样本反演的水汽密度廓线和探空水汽密度廓线的均方根误差大体落于0.2g/m3～0.6g/m3之间，反映出其对测试样本的适应能力比较强。然而BP神经网络适应测试样本的能力相对较弱，反演的水汽密度廓线和探空水汽密度廓线的均方根误差大体落于0.4g/m3～1.3g/m3之间。这也再次证明，RBF神经网络的泛化能力强于BP神经网络的泛化能力。与反演大气温度廓线类似，在对两种网络进行训练时，收敛误差均设置为0.0001。设置BP神经网络的学习率为0.1，迭代次数为10000。为了对比两个神经网络在运算速度方面的性能，分别对两个神经网络进行100次运算，计算两者的平均运行时间，结果如表3所示。