【摘要】：表4.8 不同输入/输出项模式设计的网络预测结果比较续表从表4.8中可以看出，无论是Elman网络还是BP网络，三种模式之间的绝对误差、相对误差和均方误差均比较相近。当任务复杂性条件不同时，同一模式下的预测结果有所差异。
不同输入输出项模式设计之间的比较_认知负荷的评估与变化预测研究
二、不同输入/输出项模式设计之间的比较
本研究采用三种输入/输出项模式设计，分别为7个输入神经元/7个输出神经元、14个输入神经元/7个输出神经元和21个输入神经元/21个输出神经元。我们以绝对误差、相对误差和均方误差作为所构建模型的性能指标，对三种模式所构建网络的测试结果进行汇总，其结果见表4.8。
表4.8 不同输入/输出项模式设计的网络预测结果比较
续表
从表4.8中可以看出，无论是Elman网络还是BP网络，三种模式之间的绝对误差、相对误差和均方误差均比较相近。当输入/输出项设计为7个输入神经元/7个输出神经元时，其绝对误差、相对误差和均方误差较其他两种模式差异不大。由此可以说明，输入神经元的个数并非越多就越精确，从网络最优化的角度，选用模式一能在保证预测精度的前提下达到更经济、更简洁的要求。
当任务复杂性条件不同时，同一模式下的预测结果有所差异。当任务复杂性增加时，无论是Elman网格还是BP网络，相对误差存在下降的趋势。其中，Elman网络中的模式二/高任务复杂性和BP网络中的模式三/高任务复杂性时相对较小(分别为18.349%和22.527%);从均方误差来看，在这两种条件下也是相对较小(分别为0.020和0.041)。由此可见，当任务复杂性较大时，网络对负荷的预测准确率相对要高一些。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
