排序方式: 共有2条查询结果,搜索用时 31 毫秒
1
1.
2.
基于粒子群优化(PSO)算法和遗传算法(GA)对支持向量机(SVM)的核函数及主要参数进行训练优化,分别建立PSO算法、GA的支持向量机模型(PSO_SVM、GA_SVM)。选用ECMWF及T639数值预报产品资料和乌东德水电站降水资料,普查最优预报因子,构建包含各种类型降水过程的训练样本和测试样本。比较分析SVM模型RBF和Sigmoid核函数优劣。尝试先分段寻找局部最优,再选择全局最优的参数优化方法。通过增大训练样本集、降低交叉验证准确率、迭代次数截断和控制惩罚系数范围的方法,提高模型的稳定性和泛化能力,防止过拟合和收敛缓慢现象。利用测试样本对SVM、PSO_SVM和GA_SVM三种方案进行对比检验,优化的GA_SVM预报效果较好且稳定。经2018年试报表明,GA_SVM逐3 h累计降水量预报TS评分在50%以上,漏报率在15%以下,与ECMWF和T639比较,该模型TS评分提高1. 4%。 相似文献
1