《表1 输入层神经元：基于改进Elman神经网络的红外被动测距算法研究》

  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

《基于改进Elman神经网络的红外被动测距算法研究》

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

为了验证本文算法的优良性能，同时使用传统Elman神经网络算法、OIF-Elman神经网络算法、OHF-Elman神经网络算法和THOTHF-Elman神经网络算法在同一环境下对相同的数据样本进行实验验证，本文算法网络结构设置为5×15×15×15×1（输入层5个输入神经元，3个隐含层，每层神经元数目为15，输出层一个神经元），传统Elman神经网络、OIF-Elman网络和OHF-Elman网络均设置为5×15×1（输入层5个输入神经元，一个隐含层，每层神经元数目为15，输出层一个神经元），输入层5个神经元描述如表1所示，输出层神经元表示为目标距离预测值。输入数据样本为1014×5，输出样本为1014×1，本文实验只采用中纬度夏季，乡村VIS=23km，倾斜路径，1～8 km的数据进行不同算法之间的验证。随机取出全部数据的80%作为训练数据，20%作为预测数据。在网络训练的过程中随机初始化神经网络的权重和阈值，设置每次实验最大迭代次数为40000次，每迭代100次显示一次，迭代目标值为1×10-3，最小下降梯度为1×10-5，当网络满足上述任何一个条件时就停止训练。本文使用附带动量和自适应学习率梯度下降法（gradient descent with momentum&adaptive learning ratio）traingdx进行训练，随机截取100个数据进行距离的预测，得到图7所示的不同算法之间的距离预测值。从图中可以看出，通过观察发现，本文算法的距离预测值与距离真实值更接近，更吻合，拟合效果更好，即预测精度更高，能够准确地预测距离。图8所示为不同算法的距离预测值与真实值之间的相对误差，可以得出本文算法的相对误差最小，主要集中在±10%之间，预测距离精度更高。