人民长江
人民長江
인민장강
YANGTZE RIVER
2007年
1期
8-9,104
,共3页
水库优化调度函数%支持向量机(SVM)%回归
水庫優化調度函數%支持嚮量機(SVM)%迴歸
수고우화조도함수%지지향량궤(SVM)%회귀
针对水库调度函数的复杂性、非线性,以及水文资料的有限性,尝试用支持向量机技术建立水库优化调度函数.不同于神经网络等传统以训练误差最小化作为优化目标,SVM采用结构风险最小化原则,把训练误差作为优化问题的约束,以置信范围最小化作为优化目标.因此,SVM的泛化能力要明显优于神经网络等传统学习方法.以洪家渡水电站42 a的径流资料对不同算法进行了比较,证明SVM方法的调度函数具有更好的性能.
針對水庫調度函數的複雜性、非線性,以及水文資料的有限性,嘗試用支持嚮量機技術建立水庫優化調度函數.不同于神經網絡等傳統以訓練誤差最小化作為優化目標,SVM採用結構風險最小化原則,把訓練誤差作為優化問題的約束,以置信範圍最小化作為優化目標.因此,SVM的汎化能力要明顯優于神經網絡等傳統學習方法.以洪傢渡水電站42 a的徑流資料對不同算法進行瞭比較,證明SVM方法的調度函數具有更好的性能.
침대수고조도함수적복잡성、비선성,이급수문자료적유한성,상시용지지향량궤기술건립수고우화조도함수.불동우신경망락등전통이훈련오차최소화작위우화목표,SVM채용결구풍험최소화원칙,파훈련오차작위우화문제적약속,이치신범위최소화작위우화목표.인차,SVM적범화능력요명현우우신경망락등전통학습방법.이홍가도수전참42 a적경류자료대불동산법진행료비교,증명SVM방법적조도함수구유경호적성능.
