文献

J-GLOBAL ID：201602225106284899   整理番号：16A0886734

Νサポートベクトルマシンを洪水予報モデル研究を支持する【JST・京大機械翻訳】

Flood Forecasting Model with ν-Support Vector Machine

著者 (4件)： Dan Lingzhi (College of Hydrology and Water Resources, Hohai University) ,  Wang Jianqun (College of Hydrology and Water Resources, Hohai University) ,  Chen Lixiang (Bureau of Hydrology, Songliao Water Resources Commission) ,  Chen Honghong (College of Hydrology and Water Resources, Hohai University)
資料名： Shuiwen  (Shuiwen)
巻： 36  号： 2  ページ： 7-11  発行年： 2016年 
JST資料番号： C3000A  ISSN： 1000-0852  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 洪水過程を向上させるための非線形のフィッティング能力と予報精度のため,サポートベクトルマシン(SVM)洪水予報モデルに対して深く研究を行った。臨江站YALU河川流域の実際の状況に対して,臨江站洪水過程をΝ-SVR予測モデルを構築して,1998~2014年の間の資料の大水年降水と洪水過程の資料を用いて,Ν-SVR予測モデルの較正と検証を行ったそして、 BP人工ニューラルネットワークモデルと線形動的システムモデルをΕ-SVRモデルと比較を行った。結果:Ν-SVRの洪水予報モデルは線形動的システムモデルとBP人工神経ネットワークより高い精度を有する。Ν-SVRの洪水予報モデルをより良い非線形フィッティング能力と一般化能力を有する,よくサポートベクトル数を制御できるモデルの複雑度を低減するが,同時に良好な予報の精度を保つことができる。Data from the ScienceChina, LCAS.【JST・京大機械翻訳】

シソーラス用語： 予測モデル ,  動的系 ,  *洪水 ,  降水 ,  ネットワーク ,  *サポートベクトルマシン ,  河川流域 ,  線形性 ,  *洪水予報
準シソーラス用語： 複雑度 ,  人工神経 ,  神経回路網モデル ,  予報精度 , 【Automatic Indexing@JST】

著者キーワード (4件)： flood forecasting ,  support vector machine ,  linear dynamic systems ,  BP neural network

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： サポートベクトルマシン ,  洪水予報 ,  モデル ,  研究 ,  支持