基于BP网络的复合地形因子提取研究

针对复合地形因子现有提取方法过程叠加繁琐、计算量大等问题,利用BP神经网络自适应性好、泛化能力强的优势创建了复合地形因子提取的BP神经网络法。以黄土高原DEM为数据源,选取复合地形复杂度指标为研究对象,采用控制变量法优选网络结构,结合Levenberg-Marquardt算法改进网络收敛速度与精度,优化样本库以克服过拟合问题,获取了综合性能最优泛化模型。实验结果表明,BP神经网络法较传统方法功效显著,拟合优度达到0.99,命中率达到99.98%,均方差为2.91×10^-5,残差最大绝对值为0.16,平均绝对百分比误差为2.95%,模型提取10次结果标准差最大值为0.14;BP网络用于复合地形因子提取有效可行,为快速提取复合地形因子提供了新途径。     

识别和剔除野值的一个算法

在实际问题中,我们收集到的数据常常是多个指标的,并且一般都假设它们是多元正态样本,由于量测仪器的偶然跳动或人为过失等原因,样本中常夹杂着个别的异常点。为了更好地反映客观规律,采用这些数据作进一步研究之前,人们常常提出识别和剔除异常数据的问题。本文将介绍多元正态样本中识别和剔除异常数据的一个计算方法。当然,出现的异常数据可能反映了客观事物本身的异常特性。例如在成人的身长数据中,如果发现某人身长不足1.1米,这也可能不是量度或记录弄错,而是确实迂到了一个侏儒。也可能反映了原假设模型与实际情况确有偏差。因为,当我们谈论到异常点时,总是针对     

广义最小二乘模型与判别分类

一、引言经典最小二乘模型常用于一般的曲线拟合。设变量x,y有函数关系 y=f(x,β) ε (1)式中β是待定参数,ε为误差。x和β通常是向量,f是它们的线性或非线性函数。问题是给出n次观测数据(x_k,y_k),k=1,…,n,要求确定β使Q=sum from k=1 to n W_k〔y_k-f(x_k,β)〕~2→min     

逐步判别的一个算法——多类二值法

本文给出了逐步判别的一种算法,其要点是将G个类别用G个0—1变量来表示,然后运用多应变量逐步回归的步骤来筛选自变量。这一算法具有节省计算时间和计算机存贮的优点。文中给出了应用这一算法预报常熟梅雨年型的实例,列出了详细的计算过程,以便于在微型计算机上参照实现。