Hybrid Algorithm of Backpropagation and Relevance Vector Machine with Radial Basis Function Kernel for Hydro-Climatological Data 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
Hydro-climatological data serves a pivotal role in monitoring climatic alterations and facilitating agricultural planning, inclusive of evapotranspiration estimation, water management, and crop pattern design. The necessity to accurately and expeditiously model and forecast this data underscores the need for effective methodologies. This paper introduces a hybrid algorithm, integrating backpropagation and relevance vector machine (BP-RVM) with a radial basis function (RBF) kernel. A comparative analysis was conducted between RBF and Logsig activation functions in conjunction with resilient backpropagation (trainrp) and Levenberg-Marquardt backpropagation (trainlm). The algorithm was employed to predict and categorize rainfall, temperature, wind speed, humidity, and sunshine duration data. Through extensive trials, the architecture parameters in the training-testing process of the BP-RVM algorithm were meticulously determined. Mean squared error (MSE) and mean absolute percentage error (MAPE) values were classified as indicating high forecast accuracy (<10%). Despite the RBF-trainlm kernel function combination exhibiting a faster epoch completion rate, the BP-RVM algorithm with the RBF-trainrp kernel function combination is recommended for future data prediction stages due to its lower error generation. The BP-RVM-RBF-trainrp algorithm outperformed BP-RVM-RBF-trainlm, with an average error difference of 1.39% in the training process and 2.28% in the testing process. The identified algorithms and architectures present potential for future applications in evapotranspiration calculation and crop pattern planning based on hydro-climatological data.
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 | 0,000 | 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