基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
鉴于支持向量机在机器学习方面表现出的良好性能,提出了基于支持向量回归(SVR)算法的贮灰坝渗流监测模型.采用基于平行网格搜索的交叉验证法选择模型参数,避免了参数选择的盲目性、随意性,提高了预测精度.实例分析表明,该渗流监测模型与传统的神经网络(反向传播(BP)网络、径向基核函数(RBF)网络)模型相比,具有预测精度高、泛化能力强等优点,能够快速、准确地预测出指定位置的测压管水位,对贮灰坝水头预报和电厂的安全生产具有实用价值.
推荐文章
支持向量回归在飞灰含碳量软测量中的应用
支持向量回归
粒子群优化算法
数据预处理
飞灰含碳量
软测量
阵列波束优化的标准支持向量回归
支持向量机
标准支持向量回归
波束形成
阵列信号处理
阵列波束优化
支持向量回归在乙烯裂解产物收率软测量中的应用
乙烯裂解
支持向量回归
微粒群优化算法
软测量
基于支持向量回归的光度配准算法
支持向量机
图像
配准
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 支持向量回归在贮灰坝渗流监测中的应用
来源期刊 水电自动化与大坝监测 学科 工学
关键词 贮灰坝 渗流监测 支持向量机 支持向量回归 交叉验证法
年,卷(期) 2006,(3) 所属期刊栏目 大坝安全监控技术
研究方向 页码范围 67-70
页数 4页 分类号 TV6
字数 2847字 语种 中文
DOI 10.3969/j.issn.1671-3893.2006.03.022
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 马妹英 大连理工大学水利水电工程研究所 5 7 1.0 2.0
2 李俊杰 大连理工大学水利水电工程研究所 65 485 12.0 20.0
3 康飞 大连理工大学水利水电工程研究所 27 157 6.0 12.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (2)
节点文献
引证文献  (6)
同被引文献  (7)
二级引证文献  (41)
1996(1)
  • 参考文献(1)
  • 二级参考文献(0)
2005(1)
  • 参考文献(1)
  • 二级参考文献(0)
2006(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2008(4)
  • 引证文献(4)
  • 二级引证文献(0)
2010(10)
  • 引证文献(0)
  • 二级引证文献(10)
2011(2)
  • 引证文献(0)
  • 二级引证文献(2)
2012(2)
  • 引证文献(0)
  • 二级引证文献(2)
2013(6)
  • 引证文献(0)
  • 二级引证文献(6)
2014(1)
  • 引证文献(0)
  • 二级引证文献(1)
2015(6)
  • 引证文献(0)
  • 二级引证文献(6)
2016(3)
  • 引证文献(0)
  • 二级引证文献(3)
2017(7)
  • 引证文献(1)
  • 二级引证文献(6)
2018(5)
  • 引证文献(1)
  • 二级引证文献(4)
2020(1)
  • 引证文献(0)
  • 二级引证文献(1)
研究主题发展历程
节点文献
贮灰坝
渗流监测
支持向量机
支持向量回归
交叉验证法
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
水电与抽水蓄能
双月刊
2096-093X
32-1858/TV
大16开
江苏省南京市南瑞路8号
28-39
1977
chi
出版文献量(篇)
2989
总下载数(次)
7
总被引数(次)
13933
论文1v1指导