8.2.3  网络训练过程

本节在具体进行短期预报的人工神经网络训练时，以北京怀柔汤河口土壤墒情固定站采集的每天的土壤水分和气象的平均数据作为学习样本，以一天后土壤水分的变化量作为教师样本。学习样本的起止时间从2004年1月1日至12月30日，而教师样本的起止时间为2004年1月2日至12月31日。模型的初始学习因子设置为0.1，初始动量因子设置为0.05，加速因子和减速因子分别设为0.7和0.07。图8-7所示为程序执行时的BP人工神经网络参数设置对话框。在训练时，首先将学习样本读入BP网路输入层，通过正向传播过程得到一个输出结果，并将它与期望输出值（教师样本）比较，算

图8-6 BP人工神经网络结构图

(https://www.daowen.com)

图8-7 BP人工神经网络参数设置对话框

出误差总和，若误差在允许的范围之外，则进入反向传播过程，修正网络的各个权值，减少误差。根据BP算法，正向输出计算与反向权值修正交替进行，直到误差达到允许的范围时结束循环。图8-8所示为短期预报网络训练过程中，收敛误差E的改变过程（只做出了前1000次的改变过程）。从图8-8中可见，在前200次的迭代循环中，网络收敛误差迅速减少。200次循环以后，收敛误差虽然仍在减少，但是减少的幅度非常小。若在循环500次后，仍继续增加迭代次数，由图中可以看到，误差将再次出现波动情况，这是由于迭代次数过多，出现了过拟合现象。

图8-8 短期土壤墒情预报的网络训练过程