基于Tweedie分布的广义线性模型(generalized linear model,简称GLM),并结合Kriging模型,发展了日降水量统计降尺度的GLM-Kriging模型.首先用GLM拟合研究区域内日降水量与数值模式输出的影响局地降水的物理量之间的关系,日降水量的空间...基于Tweedie分布的广义线性模型(generalized linear model,简称GLM),并结合Kriging模型,发展了日降水量统计降尺度的GLM-Kriging模型.首先用GLM拟合研究区域内日降水量与数值模式输出的影响局地降水的物理量之间的关系,日降水量的空间相关性反映在模型的残差中;然后用Kriging模型来拟合GLM的随机化百分位残差(randomized quantile residuals,简称RQ残差).结合NCEP再分析资料应用于2007年7月沂沭泗流域的42站日降水观测,结果表明GLM-Kriging降尺度模型较好地还原了主要降水过程,整体上取得了较高的准确度,可用于气候变化影响评估或数值天气预报产品的释用,还可进一步扩展为日降水量的时空统计模型.展开更多
提出了一种基于最小二乘支持向量机的织物剪切性能预测模型,并且采用遗传算法进行最小二乘支持向量机的参数优化,将获得的样本进行归一化处理后,将其输入预测模型以得到预测结果.仿真结果表明,基于最小二乘支持向量机的预测模型比BP神...提出了一种基于最小二乘支持向量机的织物剪切性能预测模型,并且采用遗传算法进行最小二乘支持向量机的参数优化,将获得的样本进行归一化处理后,将其输入预测模型以得到预测结果.仿真结果表明,基于最小二乘支持向量机的预测模型比BP神经网络和线性回归方法具有更高的精度和范化能力.
Abstract：
A new method is proposed to predict the fabric shearing property with least square support vector machines ( LS-SVM ). The genetic algorithm is investigated to select the parameters of LS-SVM models as a means of improving the LS- SVM prediction. After normalizing the sampling data, the sampling data are inputted into the model to gain the prediction result. The simulation results show the prediction model gives better forecasting accuracy and generalization ability than BP neural network and linear regression method.展开更多
文摘基于Tweedie分布的广义线性模型(generalized linear model,简称GLM),并结合Kriging模型,发展了日降水量统计降尺度的GLM-Kriging模型.首先用GLM拟合研究区域内日降水量与数值模式输出的影响局地降水的物理量之间的关系,日降水量的空间相关性反映在模型的残差中;然后用Kriging模型来拟合GLM的随机化百分位残差(randomized quantile residuals,简称RQ残差).结合NCEP再分析资料应用于2007年7月沂沭泗流域的42站日降水观测,结果表明GLM-Kriging降尺度模型较好地还原了主要降水过程,整体上取得了较高的准确度,可用于气候变化影响评估或数值天气预报产品的释用,还可进一步扩展为日降水量的时空统计模型.
文摘提出了一种基于最小二乘支持向量机的织物剪切性能预测模型,并且采用遗传算法进行最小二乘支持向量机的参数优化,将获得的样本进行归一化处理后,将其输入预测模型以得到预测结果.仿真结果表明,基于最小二乘支持向量机的预测模型比BP神经网络和线性回归方法具有更高的精度和范化能力.
Abstract：
A new method is proposed to predict the fabric shearing property with least square support vector machines ( LS-SVM ). The genetic algorithm is investigated to select the parameters of LS-SVM models as a means of improving the LS- SVM prediction. After normalizing the sampling data, the sampling data are inputted into the model to gain the prediction result. The simulation results show the prediction model gives better forecasting accuracy and generalization ability than BP neural network and linear regression method.
