《表6 两种模型10次运行结果比较》

  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

《基于粒子群算法和BP神经网络的多因素林火等级预测模型》

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

不同方法的比较结果见表6。由表6可见，与BP神经网络模型相比，PSO-BP模型迭代次数减少，训练时间减短。PSO-BP模型在10次运行中，预测结果准确率略高于BP模型，高于3.2部分所述多因素Logistic回归模型预测结果准确率（Logistic回归模型预测误差为0.324 75）。PSO-BP模型预测结果准确率的波动幅度低于BP模型，体现出更高的鲁棒性。预测模型10次预测结果的预测误差均低于停止训练阈值（δ），表明所构建的预测模型具有较好的可扩展性。这是因为未经过粒子群算法优化的神经网络模型在训练过程中会进入误差曲面平坦区域，导致收敛速度变慢，甚至出现陷入局部极小值而导致训练失败的情况。通过使用检验样本，可以提高所构建预测模型的可用性。通过引入粒子群优化算法，可以加快在训练模型过程中参数向最优解逼近的速度，从而提高模型的有效性。由此可见，PSO-BP模型更具实用性。