径向基函数(Radial Basis Function,RBF)是一种确定性的多维空间插值模型,可以有效逼近任意维度的空间数据。RBF插值模型中,基函数形态参数直接影响插值精度。为了快速求解最佳形态参数,获取准确的插值结果,该文采用改进的逐点交叉验证(...径向基函数(Radial Basis Function,RBF)是一种确定性的多维空间插值模型,可以有效逼近任意维度的空间数据。RBF插值模型中,基函数形态参数直接影响插值精度。为了快速求解最佳形态参数,获取准确的插值结果,该文采用改进的逐点交叉验证(Improved Leave One Out Cross Validation,ILOOCV)方法求取最优形态参数,首先从形态参数取值区间内选定初始形态参数α,然后从n个已知点中顺序选出一个点,使用剩下的n-1个已知点构建RBF插值模型,计算被取出点处真实值与插值结果的误差,循环n次,累计交叉验证误差,再依次从形态参数取值区间选取下一个值,重复操作,建立形态参数α与累计交叉验证误差之间的函数映射关系,最后通过最小化交叉验证误差来获取最佳形态参数。以我国东北地区气象观测数据进行实验,对ILOOCV方法进行验证,结果表明ILOOCV方法选取最佳形态参数使其插值结果比较精确,是一种可行的RBF形态参数优化方法。展开更多
文摘径向基函数(Radial Basis Function,RBF)是一种确定性的多维空间插值模型,可以有效逼近任意维度的空间数据。RBF插值模型中,基函数形态参数直接影响插值精度。为了快速求解最佳形态参数,获取准确的插值结果,该文采用改进的逐点交叉验证(Improved Leave One Out Cross Validation,ILOOCV)方法求取最优形态参数,首先从形态参数取值区间内选定初始形态参数α,然后从n个已知点中顺序选出一个点,使用剩下的n-1个已知点构建RBF插值模型,计算被取出点处真实值与插值结果的误差,循环n次,累计交叉验证误差,再依次从形态参数取值区间选取下一个值,重复操作,建立形态参数α与累计交叉验证误差之间的函数映射关系,最后通过最小化交叉验证误差来获取最佳形态参数。以我国东北地区气象观测数据进行实验,对ILOOCV方法进行验证,结果表明ILOOCV方法选取最佳形态参数使其插值结果比较精确,是一种可行的RBF形态参数优化方法。
