Comparing Sigmoid Transfer Functions for Neural Network Multistep Ahead Streamflow Forecasting
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
One of the main problems of neural networks is the lack of consensus on how to best implement them. This work targets the question of the transfer function selection—a vital part of neural network providing nonlinear mapping potential. Three nonlinear transfer functions bounded by −1 and 1 are selected for testing, based on a literature review: the Elliott sigmoid, the bipolar sigmoid, and the tangent sigmoid. They are used to design multilayer perceptron neural networks for multistep ahead streamflow forecasting over five diverse watersheds and lead times from 1 to 5 days. All multilayer perceptrons have shown a good performance on the account of the four selected criteria, which confirms that the selected multilayer perceptron implementation procedure was adequate, namely, the data set length, the Kohonen network clustering method to create the training and testing sets, and the Levenberg-Marquardt back-propagation training procedure with Bayesian regularization. Specifically, results endorsed the tangent sigmoid as the most pertinent transfer function for streamflow forecasting, over the bipolar (logistic) and Elliott sigmoids, but the latter requires less computing time and as such may be a valuable option for operational hydrology. Also, results averaged over five lead times confirmed the universal approximation theorem that a linear transfer function is suitable for the output layer—a nonlinear transfer function in the output layer failed to improve performance values.
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 | 0,001 |
| 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