超聲波液位計液態介質測量高精度的探討 三十四
(3)每層節點數的確定：
使用神經網絡的目的是實現溫度、濕度到聲速的轉換，輸入層和輸出層的節點個數分別為2和1。下面主要介紹隱層節點數量的確定。
對于多層前饋網絡來說，隱層節點數的確定是成敗的關鍵。若數量太少，則網絡所能獲取的用以解決問題的信息太少；若數量太多，不僅增加訓練時間，更重要的是隱層節點過多還可能出現所謂“過渡吻合”(Overfitting)問題，即測試誤差增大導致泛化能力下降，因此合理選擇隱層節點數非常重要。關于隱層數及其節點數的選擇比較復雜，一般原則是：在能『F確反映輸入輸出關系的基礎上，應選用較少的隱層節點數，以使網絡結構盡量簡單。本論文中采用網絡結構增長型方法，即先設置較少的節點數，對網絡進行訓練，并測試學習誤差，然后逐漸增加節點數，直到學習誤差不再有明顯減少為止。
4．4．2誤差的選取
在神經網絡訓練過程中選擇均方誤差MSE較為合理，原因如下：
(1)標準BP算法中，誤差定義為：
每個樣本作用時，都對權矩陣進行了一次修改。由于每次權矩陣的修改都沒有考慮權值修改后其它樣本作用的輸出誤差是否也減小，因此將導致迭代次數增加。
(2)累計誤差BP算法的全局誤差定義為：
這種算法是為了減小整個訓練集的全局誤差，而不針對某一特定樣本，因此如果作某種修改能使全局誤差減小，并不等于說每一個特定樣本的誤差也都能同時減小。它不能用來比較P和m不同的網絡性能。因為對于同一網絡來說，P越大，E也越大；P值相同，Ill越大E也越大。
(3)均方誤差MSE：
其中：朋一輸出節點的個數，訓練樣本數目，網絡期望輸出值，網絡實際輸出值。均方誤差克服了上述兩種算法的缺點，所以選用均方誤差算法較合理。
詳情請瀏覽公司網站的產品中心 http://m.sol365.cn/ 超聲波液位計
官方動態