发布时间 : 星期日 文章基于bp神经网络的混凝土抗压强度预测 - 图文更新完毕开始阅读
图3-5-2
训练对话框是一个动态的框图， 其中epoch表示在运算中一共迭代次数，以图3-5-1为例，这里网络训练的迭代次数为4，performance表示的是数据的误差在不断的减小，直到达到之前设置的精度要求后会停止学习。
Performance展示图如图3-5-3（隐层神经元为12个），图3-5-5（隐层神经元为9个）。
图3-5-3
图3-5-4
图3-5-3中蓝线Train表示训练时的数据，红色Test是测试时的数据，绿色Validation表示的是交叉验证产生的数据，虚线Goal是要达到的目标精度，Best是在训练中交叉验证最好的精度值。我们从图3-5-3可以看到在迭代次数为4时目标精度和最佳精度以及交叉验证三者重合，达到一个训练的最好情况，而图3-5-4（隐层神经元为9）表现出的数据比较散乱，在迭代次数为4时又出现了误差增大的现象，到结束时三条数据线的收敛也不是很好。
训练过程中训练状态图，其中包括训练梯度，交叉验证展示图如图3-5-5（隐层神经元个数为12）和图3-5-6（隐层神经元个数为9）：
图3-5-5
图3-5-6
第一栏Gradient表示的是梯度，Mu表示动量，Validation表示交叉验证，val fail是在训练时的反馈的误差，从图3-5-5看到，训练梯度在逐渐减小，也就是训练精度在不断提高，反馈的误差基本在0左右。但是图3-5-4表现的出的反馈误差在不断增大，到训练结束时误差达到了4，也就是说到这幅图并不理想。
回归结果图如图3-5-7（隐层神经元个数为12）和3-5-8（隐层神经元个数为9）：