A New Approach to Sequential Tidal Prediction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate tide prediction is required for safe marine navigation in shallow waters as well as for other marine operations. Traditionally, tide prediction was carried out using the harmonic method, which is based on the identification of the harmonic tidal constituents existing in the tidal record. Unfortunately, however, unless long tidal records are available at the tide gauges, some important tidal constituents may not be identified. This, in turn, deteriorates the accuracy of the tidal prediction. More recently, a sequential least-squares prediction method capable of using relatively short tidal records was developed. This method allows for the modifications and corrections of the original solution of the tidal constituents when new observations and parameters are included. Although it reduces the computation time significantly compared to the batch harmonic method, this method exhibits large residuals particularly when very short tidal records are used. To overcome the limitations of the sequential least-squares method, a neural network-based model is developed for sequentially predicting the tidal heights using tide data series collected at various tide gauges. A modular, three-layer feedforward neural network trained using the back-propagation algorithm is used for this purpose. Tide data from three tide gauges are used to validate the model. A comparison is made between the developed neural network model and the sequential least squares method for tidal prediction. It is shown that the accuracy level of the tidal prediction has improved by a factor of 5 when using the neural network model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle