《表4 BP神经网络的节点数和训练次数》

  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

《考虑动态水流滞时的梯级水库群日优化调度》

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

将各种方法选取的因子集分别作为BP、GRNN神经网络的模型输入，对官地水库的入库流量进行预测，采用交叉验证训练法对神经网络的参数进行选取，将2014年1月—2017年11月非汛期、汛期流量数据资料的前60%用于神经网络模型的学习训练，中间20%的数据用于模型的过拟合检验，剩余20%的数据用于模型最终预报效果的检测。在训练阶段，采用前60%的流量数据进行模型的训练，分别采用Nash效率系数、平均相对误差及预报合格率作为评价指标，在训练过程中设置不同节点数，逐次增加模型的训练次数，当检验数据的评价准则达到最佳时，记录隐层节点数和训练次数，同样逐次增加GRNN神经网络的散布常数值，记录评价准则最佳的散布常数值，选取结果如表3和表4所示。