文献

J-GLOBAL ID：201802238553244355   整理番号：18A1222095

ガウス過程混合モデルに基づく大気温湿度予測【JST・京大機械翻訳】

Atmospheric temperature and humidity prediction of Gaussian process mixed model

著者 (4件)： Zhou Yatong (河北工業大学電子信息工程学院,天津市電子材料与器件重点実験室,天津 300401) ,  Zhao Xiangyu (河北工業大学電子信息工程学院,天津市電子材料与器件重点実験室,天津 300401) ,  He Feng (河北工業大学電子信息工程学院,天津市電子材料与器件重点実験室,天津 300401) ,  Shi Chaojun (河北工業大学電子信息工程学院,天津市電子材料与器件重点実験室,天津 300401)
資料名： Nongye Gongcheng Xuebao  (Nongye Gongcheng Xuebao)
巻： 34  号： 5  ページ： 219-226  発行年： 2018年 
JST資料番号： C2454A  ISSN： 1002-6819  CODEN： NGOXEO  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： 温湿度予測は国民経済の各領域で重要な作用があり、温湿度の精確な予測を実現するのは農業生産と保障の安全を有効的に高めることができ、室内温湿度の予測は植物の健康の成長に役立ち、経済損失を減らすことができる。現在の温湿度予測の効果が良くなく、多モード予測が実現できないため、本文はガウス過程混合(gaussianprocessmixture)を採用した。さらに,モデル学習の効率を改善するために,GPMモデルのための隠れ変数事後ハード分割反復学習アルゴリズムを提案した。このアルゴリズムは,新しい近似戦略を採用し,最大事後推定を用いて,サンプル分割を絶えず修正し,反復学習によりサンプル最適グループを実現した。GPMモデルとカーネル回帰(kernel-regression)を,自己相関関数と最大Lyapunov指数の解析によって評価した。K-R、最小最大確率回帰(minimaxprobabilitymachineregression)。MPMR,線形回帰(L-R),ガウス過程(gaussianprocess)。結果は,GPMがマルチモード予測を実現できるだけでなく,予測精度が他の従来のモデルより優れていることを示した。最終湿度予測の最適結果はRMSE=0.062,R2=0.9362,トレーニング時間113.4175sであった。GPMは無環境因子の入力モデルであるため、この論文の研究は大気温湿度の予測に促進作用があるだけでなく、室内及び固体表面の温湿度予測にも一定の参考価値がある。Data from Wanfang. Translated by JST【JST・京大機械翻訳】

シソーラス用語： *湿度 ,  自己相関関数 ,  *予測 ,  近似法 ,  *Gauss過程 ,  安全性 ,  *モデル ,  *気温 ,  多モード ,  学習アルゴリズム ,  予測精度 ,  線形回帰 ,  屋内 ,  *温湿度 ,  *混合効果モデル
準シソーラス用語： *混合モデル , 【Automatic Indexing@JST】

著者キーワード (5件)： temperature ,  humidity ,  prediction ,  Gaussian process mixture model ,  machine learning

分類 (2件)： 数値計算  (JE02000J) ,  放射,大気光学  (DC05080C)

タイトルに関連する用語 (5件)： ガウス過程 ,  混合モデル ,  大気 ,  温湿度 ,  予測