传输函数的选择

风靡全球

传输函数的选择

网络中的传输函数通常采用型函数,在某种特定情况下,还可能

采用纯线性函数。型函数有两种形式,一种是对称型函数又称正切型函数,即州,中的函数,当要求神经元输出一到之间的值时,选用函数。另一种是非对称型函数又称对数型函数,即州哄丁中的函数,当要求神经元输出。到之间的值时,选用函数。对于网络来说,如果最后一层是函数,那么整个网络的输出就限制在一个较小的范围内如果最后一层是函数,那么整个网络的输出可以取任意值。

模型构建

一神经网络的隐层层数和每层神经元个数的确定没有一个确切的规律,但总的来层数和神经元个数越多,网络越稳定,最终网络性能越好。同时网络规模也随之增建立网络的时间和网络运行时间呈指数级递增。

综合各种因素,确定网络的结构和参数如图一所示。设定网络层数为层,输入层、隐层和输出层。输出层的神经元个数为经过归一化处理的个自变量数据、隐层为个神经元、输出层为个神经元。训练学习算法为,传递函数为。网络最大训练次数为次,显示训练结果的间隔次数为,误差目标均方误差为,最长训练时间不超过,性能函数的最小梯度为了,最大验证失败次数为5。

模型训练

对于任何人工神经网络,网络训练前的数据处理对网络有至关重要的影响。因此首先对输入向量和输出向量进行归一化处理,即将每个观测值变为,之间的数。之后,再根据隐层节点数确定的经验公式以及均方误差的大小,经多次训练比较得适宜的神经元数为。基于州哄平台,依据已经确定的网络结构和参数,构建神经网络生物量模型,部分主要编码见附录。

要提高森林生物量的估算精度、减少误差,可以从以下几方面入手一是大大增加野外样地调查的数量并提高其代表性。二是提高林地类型的分类精度,将森林分别按针叶林和阔叶林立生物量的遥感模型,估测精度将会进一步提高,本论文由于获得数据的限制,未能对林分分类建模,这也将是也后研究的重要方向。虽然神经网络方法的非线性逼近能力非常好,但是在森林生物量的估测量中还存在不少的问题,如预测因子的选择问题。在实际工作中也发现,即使模型拟和十分精确,但其外延性仍很差,根本原因在于预测因子选择是否具有代表性。在遥感影像估测生物量中,对影像的影响因素很多也很复杂,因此预测因子的选择要依据大量的实际调查资料,通过多次测算获得。

神经网络模型虽然有较高的拟合精度,但是难以完全反应生物量与遥感影像的机理问题,遥感生物量估测模型今后的发展方向应从光合作用,即植被生产力形成的生理过程出发,研究具有生理学、生态学意义的机理模型,再利用神经网络的自组织、自学习和对输入数据具有高度容错性等优点进行高精度估测。

& d7 k( O% l. L2 z! x+ u' h