研究区域森林生物量神经网络模型的拟合

风靡全球

研究区域森林生物量神经网络模型的拟合

模型样本数据预处理

样本数据的选择

为便于与第章建立的生物量多元线性回归模型进行比较,自变量仍选取和作为神经网络的输入向量,以林分样地的生物量作为输出向量,用人工神经网络建模技术构建生物量模型。

数据的归一化处理

由于网络训练前的数据处理对网络有至关重要的影响,它可影响网络的学习速度、网络结构的复杂性和网络的精度。通常数据在归一化之后,其梯度变化明显,收敛速度快。因此,在进行训练之前要对所有建模数据根据归一化公式一进行归一化处理。待模型训练完之后,网络的输出值可按一式反向计算其实际值。

模型结构及参数确定

对于网络,有一个非常重要的定理。即对于任何在闭区间内的一个连续函数都可以用单隐层的网络逼近。因而一个三层网络就可以完成任意的维到维的映射。主要依靠选取适合的隐层结构和训练函数来实现。

隐层结构设计

关于隐层及其节点数的选择比较复杂。一般原则是在能正确反映输入输出关系的基础上,应选用较少的节点数,以使网络结构尽量简单。具体确定方法目前还无理论指导,通常是靠经验和试凑。

(1)隐层数设计

理论证明具有单隐层的前馈神经网络可以映射所有连续函数,只有当学习不连续函数时才需要两个隐层,故一般情况下隐层最多需要两层。一般方法是先设一个隐层,当一个隐层的节点数很多,仍不能改善网络性能时,再增加一个隐层。最常用的神经网络结构是层,即输入层、输出层和一个隐层。

(2)隐层节点数设计

隐层节点数目对神经网络的性能有一定的影响。隐层节点数过少时,学习的容量有限,不足以存储训练样本中蕴涵的所有规律隐层节点过多不仅会增加网络训练时间,而且会将样本中非规律性的内容如干扰存储进去,反而降低泛化能力。一般方法是先由经验公式一确定,在改变隐层节点数,用同一样本集训练,从中确定网络误差最小时对应的隐层节点数。