您现在的位置是:首页 > 科普 > 水环境系统智能化软测量与控制

6.3.3 径向基函数宽度与网络泛化性能分析

6.3.3.1 RBF软测量模型基函数宽度与网络泛化能力分析

在不同基函数宽度下,网络的泛化能力和对测试数据的预测结果有很大的差别。用4组测试数据对不同宽度下训练的网络进行预测得到的数据如表6-6、表6-7所示。

表6-6 不同宽度sp下Chi-a的预测值

测试数据预测值

(sp=1)预测值

(sp=0.6)预测值

(sp=0.16)实际检测值第1组27.4428.8226.8025.9625第2组25.0130. 8826.8325.7第3组17.5728. 1725.4824.9875第4组9.6426.2123.8423.6

表6-7 Chi-a的预测值与实际值的误差分析

测试数据sp=1sp=0.6sp=0.16绝对误差相对误差绝对误差相对误差绝对误差相对误差第1组1.47755.69%2.857511%0.83753.22%第2组0.692.68%5. 1820.15%1. 134.4%第3组7.417529.68%3. 182512.74%0.49251.97%第4组13.9659.15%2.61 ......     (共3140字)    [阅读本文]>>

推荐内容

  • 水环境系统智能化软测量与控制

    2.1 软测量的基本内容

    水环境系统软测量的基本思想是将系统建模理论与生产工艺过程知识有机结合起来,应用计算机软件技术,对水环境系统中一些难于在线测量或不能测量的重要变量 (称之为主导变量),如出水BOD、COD等,通过选择另

    652字 28
  • 水环境系统智能化软测量与控制

    2.2.1 软测量的基本原理

    软测量的基本原理是把系统辨识和控制系统建模理论与生产工艺过程知识结合起来,根据某种最优规则,选择一组既与主导变量有密切联系又易检测的变量,即二次变量,通过构造某种以二次变量为输入、主导变量为输出的数学

    661字 34
  • 水环境系统智能化软测量与控制

    3.1.1 过程神经元

    过程神经元的输入和连接权值均可为一个时间变化过程,并在传统神经元空间聚合运算的基础上,增加了一个时间聚合算子,使过程神经元的聚合运算和激励作用能同时反映信号的空间总和效应和时间总和效应。过程神经元由加

    855字 29
  • 水环境系统智能化软测量与控制

    3.1.2 过程神经元网络模型

    过程神经元网络是由若干个过程神经元和一般非时变神经元按照一定的拓扑结构组成的人工神经元系统。类似于传统神经元网络,过程神经元网络也可以按神经元之间的连接方式分为前向型过程神经元网络和反馈型过程神经元网

    474字 47
  • 水环境系统智能化软测量与控制

    3.2.1 基于函数正交基的PNN学习算法

    过程神经元网络的学习算法目前国内只有何新贵院士、许少华博士提出了几种方法[23]。主要有基于梯度下降的学习算法,该算法借鉴了传统的BP算法[111-112]; 基于函数正交基展开的学习算法,在输入空间

    1074字 53