...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Nordic hydrology >Groundwater quality modeling using neuro-particle swarm optimization and neuro-differential evolution techniques
【24h】

Groundwater quality modeling using neuro-particle swarm optimization and neuro-differential evolution techniques

机译：利用神经粒子群算法和神经差分进化技术对地下水质量进行建模

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Recently, the capabilities of artificial neural networks (ANNS) in simulating dynamic systems have been proven. However, the common training algorithms of ANNS (e.g., back-propagation and gradient algorithms) are featured with specific drawbacks in terms of slow convergence and probable entrapment in local minima. Alternatively, novel training techniques, e.g., particle swarm optimization (PSO) and differential evolution (DE) algorithms might be employed for conquering these shortcomings. In this paper, ANN-PSO and ANN-DE models were applied for modeling groundwater qualitative parameters, i.e., SO_4 and sodium adsorption ratio (SAR). Three statistical parameters including root mean square error (RMSE), mean absolute error (MAE), and the coefficient of determination (R~2) were used for assessing the models' capabilities. The results showed that the ANN-DE presents more accurate results than ANN-PSO in modeling SAR and electrical conductivity (EC).
机译：最近，已经证明了人工神经网络（ANNS）在模拟动态系统中的功能。但是，ANNS的通用训练算法（例如，反向传播算法和梯度算法）在收敛速度慢和可能陷入局部极小值方面具有特定缺点。可替代地，可以采用新颖的训练技术，例如粒子群优化（PSO）和差分进化（DE）算法来克服这些缺点。本文将ANN-PSO和ANN-DE模型用于模拟地下水定性参数，即SO_4和钠吸附率（SAR）。使用三个统计参数，包括均方根误差（RMSE），平均绝对误差（MAE）和确定系数（R〜2）来评估模型的功能。结果表明，在SAR和电导率（EC）建模中，ANN-DE比ANN-PSO呈现出更准确的结果。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号