期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
MRMR-SA-EGA-ELM的叶绿素a浓度预测模型研究
1
作者
陈优良
陶剑辉
+1 位作者
黄劲松
肖钢
《计算机应用与软件》
北大核心
2024年第4期60-66,共7页
为提高叶绿素a浓度的预测精度,以南太湖区域-湖州市新塘港2020年5月至11月份的水质监测数据为原始样本数据,使用最大相关最小冗余算法(MRMR)从原始样本数据中选取效果更优的特征值,作为预测模型的输入数据,将精英遗传算法(EGA)与模拟退...
为提高叶绿素a浓度的预测精度,以南太湖区域-湖州市新塘港2020年5月至11月份的水质监测数据为原始样本数据,使用最大相关最小冗余算法(MRMR)从原始样本数据中选取效果更优的特征值,作为预测模型的输入数据,将精英遗传算法(EGA)与模拟退火算法(SA)组合优化极限学习机(ELM)网络的初始参数,最终构建MRMR-SA-EGA-ELM叶绿素a浓度预测模型。实验结果表明,MRMR-SA-EGA-ELM模型预测叶绿素a浓度的平均绝对误差(MAE)、均方误差(MSE)、决定系数(R^(2))分别为1.009、1.607、0.903,而ELM模型预测结果的MAE、MSE、R^(2)分别为2.078、8.249、0.562,MRMR-SA-EGA-ELM模型的效果得到显著提升,可实现对叶绿素a浓度的准确预测。
展开更多
关键词
叶绿素A浓度
最大相关最小冗余
精英遗传算法
模拟退火算法
极限学习机
在线阅读
下载PDF
职称材料
题名
MRMR-SA-EGA-ELM的叶绿素a浓度预测模型研究
1
作者
陈优良
陶剑辉
黄劲松
肖钢
机构
江西理工大学土木与测绘
工程
学院
中南大学地球科学与信息物理学院
浙江智谱工程技术有限公司
赣州市城乡规划设计研究院
出处
《计算机应用与软件》
北大核心
2024年第4期60-66,共7页
基金
国家自然科学基金项目(41261093)
江西省教育厅科技项目(GJJ170522)。
文摘
为提高叶绿素a浓度的预测精度,以南太湖区域-湖州市新塘港2020年5月至11月份的水质监测数据为原始样本数据,使用最大相关最小冗余算法(MRMR)从原始样本数据中选取效果更优的特征值,作为预测模型的输入数据,将精英遗传算法(EGA)与模拟退火算法(SA)组合优化极限学习机(ELM)网络的初始参数,最终构建MRMR-SA-EGA-ELM叶绿素a浓度预测模型。实验结果表明,MRMR-SA-EGA-ELM模型预测叶绿素a浓度的平均绝对误差(MAE)、均方误差(MSE)、决定系数(R^(2))分别为1.009、1.607、0.903,而ELM模型预测结果的MAE、MSE、R^(2)分别为2.078、8.249、0.562,MRMR-SA-EGA-ELM模型的效果得到显著提升,可实现对叶绿素a浓度的准确预测。
关键词
叶绿素A浓度
最大相关最小冗余
精英遗传算法
模拟退火算法
极限学习机
Keywords
Chlorophyll a concentration
Maximum relevance minimum redundancy
Elitist genetic algorithm
Simulated annealing algorithm
Extreme learning machine
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
TP3 [自动化与计算机技术—计算机科学与技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
MRMR-SA-EGA-ELM的叶绿素a浓度预测模型研究
陈优良
陶剑辉
黄劲松
肖钢
《计算机应用与软件》
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
