Im Buch
Ergebnisse 1-3 von 46
Seite 39
本文以烏溪流域之水文测站為實例演算,進行流量預測之比較,發現進行學習演算時,學習之精度不需要求太高,學習效率係數到達 0.92 ,即可得到較佳之預測結果,學習精度要求過高,反而會造成過度學習,而使加權值學習強迫去適應學習範例之曲線。而學習速率與 ...
本文以烏溪流域之水文测站為實例演算,進行流量預測之比較,發現進行學習演算時,學習之精度不需要求太高,學習效率係數到達 0.92 ,即可得到較佳之預測結果,學習精度要求過高,反而會造成過度學習,而使加權值學習強迫去適應學習範例之曲線。而學習速率與 ...
Seite 40
而倒傳遞類神經網路( back - propagation network ,簡稱 BPN )為應用最為普遍的類神經網路,因其具有學習與回想的功能,故可進行定率預測。在各方面應用的結果,一般建議使用學習速率為 0.1 到 1.0 之間,為能改善學習速度或修正學習精度常加入惯性項( ...
而倒傳遞類神經網路( back - propagation network ,簡稱 BPN )為應用最為普遍的類神經網路,因其具有學習與回想的功能,故可進行定率預測。在各方面應用的結果,一般建議使用學習速率為 0.1 到 1.0 之間,為能改善學習速度或修正學習精度常加入惯性項( ...
Seite 56
五、結論與建議( 1 )由於水文序列具逢機性,於類神經網路之學習過程中,學習之效率係數只需達到 0.92 左右,即可得到較好的預測結果;過高之學習效率係數,將強迫網路學習去完全吻合學習範例之變異,雖可得到較好學習結果,但或將導致發散,或造成過度學習或適應 ...
五、結論與建議( 1 )由於水文序列具逢機性,於類神經網路之學習過程中,學習之效率係數只需達到 0.92 左右,即可得到較好的預測結果;過高之學習效率係數,將強迫網路學習去完全吻合學習範例之變異,雖可得到較好學習結果,但或將導致發散,或造成過度學習或適應 ...
Was andere dazu sagen - Rezension schreiben
Es wurden keine Rezensionen gefunden.