《表1 输出层神经元网格尺寸 (39组)》

  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

《基于水沙组合分类的黄河中下游水沙变化特点研究》

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

将欧氏距离作为距离度量方法，选取随机初始化方法、批量训练算法、六边形网格形状、片状映射结构、高斯邻域函数配置SOM模型，训练次数选为输出层神经元数量的500倍。综合多方面考虑，结合Melssen等提出的方法与反复试验法确定输出层神经元数量。根据前人经验，黄河的水沙组合可分为沙多水多、沙多水中、沙多水少、沙中水多、沙中水中、沙中水少、沙少水多、沙少水中及沙少水少9类，故输出层神经元数量宜大于18；由于输入数据样本数较少，且“远小于”的概念较为模糊，本文认为输出层神经元数量上限取为样本数的1/2即可。将输出层最大边长定为10，结合上述两条原则，训练1919—2018年百年数据时共选取39组输出层神经元网格尺寸（表1）。每一种尺寸的SOM模型均进行500次训练，选择QE最小的一次结果作为各尺寸的最终结果。通过比较不同尺寸SOM模型的结果，将输出层神经元网格尺寸选为3×10，输出层神经元数量为30，该尺寸下500次训练的部分QE结果如表2所示（QE的最小值加粗表示）。