Prediction of Stellar Atmospheric Parameters using Instance-Based Machine Learning and Genetic Algorithms   总被引：1，自引：0，他引：1  

J. Federico Ramírez  Olac Fuentes  Ravi K. Gulati 《Experimental Astronomy》2001,12(3):163-178

In this article we present a method for the automated prediction of stellar atmospheric parameters from spectral indices. This method uses a genetic algorithm (GA) for the selection of relevant spectral indices and prototypical stars and predicts their properties, using the k-nearest neighbors method (KNN). We have applied the method to predict the effective temperature, surface gravity, metallicity, luminosity class and spectral class of stars from spectral indices. Our experimental results show that the feature selection performed by the genetic algorithm reduces the running time of KNN up to 92%, and the predictive accuracy error up to 35%. This revised version was published online in July 2006 with corrections to the Cover Date.  相似文献   

Automatic Determination of Stellar Atmospheric Parameters Using Neural Networks and Instance-Based Machine Learning     

Olac Fuentes 《Experimental Astronomy》2001,12(1):21-31

In this article we show how machine learning methods can beeffectively applied to the problem of automatically predictingstellar atmospheric parameters from spectral information, a veryimportant problem in stellar astronomy. We apply feedforwardneural networks, Kohonen's self-organizing maps andlocally-weighted regression to predict the stellar atmosphericparameters effective temperature, surface gravity and metallicityfrom spectral indices. Our experimental results show that thethree methods are capable of predicting the parameters with verygood accuracy. Locally weighted regression gives slightly betterresults than the other methods using the original dataset asinput, while self-organizing maps outperform the other methods when significant amounts of noise are added. We also implemented a heterogeneous ensemble of predictors, combining the results given by the three algorithms. This ensemble yields better results than any of the three algorithms alone, using both the original and the noisy data.  相似文献   

基于AGA的SVM需水预测模型研究   总被引：1，自引：0，他引：1  

张灵  陈晓宏  刘丙军  王兆礼 《水文》2008,28(1):38-42,46

需水预测是一个由城市人口、工业水平、社会经济水平共同作用的多因素、多层次的复杂非线性系统.其结果将直接影响受区域水资源承载力约束的产业结构、布局形态等决策.作为一种集中参数预报方法,支持向量机方法具有对未来样本的较好的泛化性能,对于这类资料缺乏、系统结构尚欠清晰的问题可以取得较好的模拟和预测结果.基于此,本文将支持向量机方法引入需水预测领域,建立了需水预测支持向量机模型.同时,本文将加速遗传算法和支持向量机方法耦合起来,构造了支持向量机模型参数的自适应优化算法.模型在珠海市的应用实例表明:与简单遗传算法比较,AGA的模型参数寻优效率更高;与BP神经网络模型相比,SVM模型较好地解决了小样本、经验性等问题,并取得了较高的预测精度.  相似文献   

案例推理的制图综合应用背景与方法     

何海威  钱海忠  刘闯  谢丽敏 《测绘科学技术学报》2017,34(4)

从挖掘和利用经验数据的角度出发,提出了基于案例推理的智能化制图综合方法。首先探讨了基于算法和模型的自动综合实现方式所面临的瓶颈,并提出了采用制图综合案例推理辅助制图综合的思想;然后设计了制图综合专家案例的三元表示方法,以及获取、使用和管理流程;最后对实现该基于案例推理的智能化制图综合方法的五个关键性步骤进行了分析,并深入阐述该方法的原理和可行性,提出了基于案例推理的智能综合辅助系统架构。  相似文献   

支持向量机方法在南京太阳总辐射推算中的应用          下载免费PDF全文

杨光  谭言科  吴凡 《大气科学学报》2017,40(5):708-714

利用1981、1996和2001年逐日南京站太阳总辐射和日照时数观测资料,建立了基于支持向量机(support vector machine,SVM)方法的太阳总辐射推算模型,预测了1982、1997和2002年的太阳总辐射,并把推算结果和采用线性的气候学方法所得到的推算结果分别与实测值进行对比。采用线性方法得到的1982、1997和2002年的太阳总辐射预测值与实测值间基于1:1线的决定系数(R~2)分别为0.800、0.859和0.838,均方根误差(RMSE)分别为3.250、2.649和2.925 MJ·m~(-2)·d~(-1)。采用SVM方法得到的1982、1997和2002年的R~2分别为0.894、0.938和0.936,RMSE分别为2.353、1.726和1.804 MJ·m~(-2)·d~(-1)。SVM方法得到的太阳总辐射预测值与实测值之间的误差较小,预测精度高于线性方法,更适用于实际太阳总辐射的计算。  相似文献   

基于光谱和纹理的SVM矿化蚀变信息提取研究   总被引：1，自引：0，他引：1       下载免费PDF全文

薛云  戴塔根  杨自安  邹林  刘江龙 《地质找矿论丛》2008,23(3):254-259

针对传统矿化信息提取方法单一,利用光谱或纹理、信息量相对较少、需要大量样本的缺陷,利用基于光谱和纹理的支持向量机(SVM)原理,建立矿化信息提取模型.选择青海泽库县析界日地区作为典型研究区.首先提取研究区光谱和纹理信息,选取训练样本;然后求解最优超平面,进而确定决策函数;最后泛化推广识别其他待识别的样本.通过所提取的遥感蚀变异常信息与重砂异常点叠加分析,叠加基本吻合;从野外实地验证来看,均发现了不同程度的矿化现象,并指出了5个重点异常区.  相似文献   

动态最小二乘支持向量机学习算法     

邓兴升  花向红 《武汉大学学报(信息科学版)》2008,33(11):1122-1125

针对大样本集的训练问题和动态训练样本的模型更新问题,提出了动态最小二乘支持向量机学习算法.该算法充分利用已建好的模型,逐渐加入新样本,并可删除位于任何位置的非支持向量,避免了矩阵求逆运算,保证了算法的高效率.大坝变形及电离层延迟两个时间序列的预报实例表明,该算法具有计算时间短、预报精度高的特点.  相似文献   

区域似大地水准面确定的最小二乘支持向量机方法     

范千  张宁 《测绘工程》2008,17(5)

支持向量机(SVM)是近年来发展起来的机器学习的新方法,它较好地解决小样本、非线性、高维数、局部极小点等实际问题.文中研究支持向量机的拓展算法--最小二乘支持向量机(LSSVM),并将其应用于确定大面积复杂似大地水准面.通过工程实例并与神经网络模型和二次曲面多项式拟合模型相比较,验证确定区域似大地水准面的LSSVM方法的有效性.  相似文献   

基于相关分析和自适应遗传算法的盐渍化建模变量和参数优选   总被引：1，自引：0，他引：1  

徐红涛  陈春波  郑宏伟  罗格平  杨辽  王伟胜  吴世新 《地球信息科学学报》2020,22(7):1497-1509

机器学习结合遥感等其他数据反演土壤盐分含量（Soil Salt Content, SSC）较少关注对模型精度影响较大的建模特征变量和模型参数的优选。本文基于自适应遗传算法（Adaptive Genetic Algorithm, AGA）同步优选建模特征变量和模型参数的支持向量回归（Support Vector Regression, SVR）算法反演三工河流域2016年SSC,并分析其在不同土地利用类型的分布特征。建模特征变量和模型参数的同步优选及实验设计如下：首先基于Landsat 8 OLI和SRTM高程数据提取7类共40个盐渍化相关因子,经相关分析初步筛选出候选特征变量,分别代入AGA、遗传算法（Genetic Algorithm, GA）和格网搜索算法（Grid Search, GS）同步优选SVR的建模特征变量和模型参数,并建立盐渍化监测模型（AGA-SVR、GA-SVR、GS-SVR）。结果表明：① AGA-SVR精度最优,GA-SVR次之,GS-SVR最差,相较于GS-SVR,AGA-SVR的R²/RMSE提高了44.65%;② 三工河流域非、轻度、中度、重度盐渍地和盐土的面积占比分别为42.83%、11.02%、15.88%、9.22%、21.05%;③ 草地和未利用地主要以非盐渍地和盐土为主,耕地和林地中非盐渍地分布比例均为最大;不同土地利用类型的SSC均值和标准差均呈现未利用地>草地>耕地>林地的规律。本研究的建模特征变量和模型参数的优选方法可在一定程度上提高盐渍化监测的精度。关键词：盐渍化;遗传算法;机器学习;特征优选;参数优化;土壤盐分含量;土地利用;相关分析  相似文献   

基于机器学习的稀疏样本下的土壤有机质估算方法   总被引：1，自引：0，他引：1  

刘明杰  徐卓揆  郜允兵  杨晶  潘瑜春  高秉博  周艳兵  周万鹏  王凌 《地球信息科学学报》2020,22(9):1799-1813

采用GRNN（Generalized Regression Neural Network）和RF（Random Forest）2种机器学习方法构建土壤有机质预测模型,以提高稀疏样本情况下的土壤有机质估算精度。依据北京市大兴区农用地2007年的土壤有机质采样数据,按MMSD准则（Minimization of the Mean of the Shortest Distances）抽稀为8种不同采样密度的样本（分别为2703、1352、676、339、169、85、43、22个样本）,分别采用GRNN、RF和Ordinary kriging对各采样密度下的未知采样点进行预测,采用交叉检验的方式验证各采样密度下未知样点的预测精度。随着采样点密度的下降,样点间的空间自相关性逐渐减弱,半变异函数的拟和精度变差,预测点结果误差增大,预测的置信度降低。当抽稀到43个和22个采样点时,样点间的空间自相关性接近歼灭,半变异函数的决定系数较低且残差较大。普通克里格受到采样点数量和采样密度、样点的空间结构的影响比较明显,其预测精度随采样点数量的下降而下降。在85个采样点及以下时,其预测值与观测值之间没有显著的相关性。GRNN和RF的预测精度受采样密度的影响不大,其预测精度在一个较小的范围内波动,其预测值围绕观测值在一定阈值空间内震荡波动,具有较好的相关性,在85个及以下的采样密度时,预测精度相对普通克里格有较大的提升。普通克里格法不适合在稀疏样本条件下空间插值计算,尤其是在空间自相关性比较弱的情况下。机器学习模型能充分学习土壤间环境信息、样点空间邻近效应信息,兼顾属性相似性和空间自相关,具有更好的稳定性和适应性,不容易受到采样点数量、构型和采样密度等因素的影响,即使在采样点空间自相关性很弱的情况下也能做出稳定预测精度。  相似文献