8.2.2  网络参数确定和网络结构

在土壤墒情的预报中，当网络模型训练好之后，可以在一段时间内用这同一个训练好了的模型进行墒情预报。在实际应用中，土壤墒情的变化并不很快，因此，在确定网络参数和网络结构时，应主要考虑的因素是网络的收敛误差，网络的收敛速度并不是主要考虑的问题。在本节中，将以北京怀柔汤河口土壤墒情固定站短期土壤墒情预报的数据为例，以达到最小收敛误差为标准，具体讲述网络参数的确定和网络结构的构造过程。

1.网络隐含层节点数目的确定

增加网络隐含层的层数并不能达到减少误差的目的，因此本文只设置一个隐含层。隐含层节点的数目不同时，训练同样多的次数，收敛误差值不同。如图8-5所示为当设置网络训练的迭代次数为4×102次时，不同隐含层节点数所对应的最小收敛误差。

(https://www.daowen.com)

图8-5 不同隐含层节点数所对应的收敛误差

由图8-5可见，当隐含层的节点数选择为10时，收敛误差最小，仅为7.0×10^-4。因此，进行短期墒情预报时选择10为隐含层的节点数是合理的。

2.网络结构

由前面的分析可知，人工神经网络的输入层应包括7个输入变量，它们分别是地表下10cm、20cm、50cm土壤水分的初始值，降雨量，日照时数，空气湿度和气温。输出层是预报的目标，包括地表下10cm、20cm、50cm土壤水分的改变量。隐含层应该包括10个节点。因此，若以BP（n，m，q）表示神经网络的结构（n表示输入层节点数，m表示隐含层节点数，q表示输出层节点数），那么土壤墒情短期人工神经网络预报模型具体结构应该是BP（7，10，3）的结构。图8-6所示为具体的网络结构图：