排序方式: 共有2条查询结果,搜索用时 62 毫秒
1
1.
采用支撑向量机(Support Vector Machine,SVM)模型进行GPS高程拟合时,拟合精度受模型参数(核参数和惩罚因子)选择影响较大,传统交叉验证法存在计算复杂,易陷入局部最优的问题.本文将粒子群(Particle Swarm Optimization,PSO)算法引入SVM模型,利用PSO全局搜索能力强和收敛速度快的特点对SVM模型进行优化,提升GPS高程拟合精度的同时增强模型的泛化适应性.最后基于实际算例对所提方法的拟合性能进行验证,结果表明相对于传统交叉验证SVM模型,所提PSO-SVM模型能够获得更高的拟合精度,并且对复杂地势具有更强的适应能力. 相似文献
2.
传统GM(1,1)模型在背景值和初始条件的选取方面存在不足,为了提高灰色GM(1,1)模型的预测精度和拟合精度,本文提出了一种同时改进背景值和初始条件选取的新模型,此模型对以往单独对背景值或初始条件的优化进行了改进,将两个影响条件整合到一起。最后通过实例将该新模型与几种模型的拟合和预测数据比较,显示出了新模型的预测精度高。 相似文献
1