项目研究了先验知识限制条件下的前馈网络结构、训练样本和目标规则复杂性对神经网络泛化性能的影响机制,提出了一类基于先验知识的神经网络学习算法。研究发现样本先验知识改善泛化性能的能力随隐含层节点数的增加而开始增大,随后减小,随网络学习精度的提高而逐渐提高,随先验知识约束条件的增强而逐渐增大,但先验前馈网络模型训练到指定误差的代数就越多,相对应的训练时间增加。在土壤墒情预报中发现在土壤深度10cm和50cm处的墒情预测中神经网络泛化性能随先验知识约束条件的逐渐增强,先验知识改善神经网络泛化性能作用逐渐显著,但随着约束条件的进一步增强,先验知识改善前馈网络模型预测精度的能力也逐渐降。在网络结构复杂性方面,在土壤深度50cm相对含水率预测实例中,随隐含层节点数的增加,相关系数差值开始增大然后呈现饱和趋势,表明先验知识对于改善神经网络泛化性能的作用开始增大最后趋向饱和,但是在在土壤深度10cm相对含水量预测实例中,随隐含层节点数的增加,相关系数差值整体上开始增加,随后减小,这表明先验知识作用开始增大随后减小。项目已发表论文11篇,其中SCI论文3篇,EI论文4篇。
英文主题词prior knowledge;neural network;generalization performance; soil moisture