《表1 输出层神经元网格尺寸 (39组)》
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)。
图表编号 | XD0074774700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.01 |
作者 | 蔡蓉蓉、张红武、卜海磊、张宇 |
绘制单位 | 清华大学水沙科学与水利水电工程国家重点实验室、清华大学水沙科学与水利水电工程国家重点实验室、郑州清大水利工程技术咨询有限公司、清华大学水沙科学与水利水电工程国家重点实验室 |
更多格式 | 高清、无水印(增值服务) |