Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Tytuł pozycji:

Prediction of soil physical properties by optimized support vector machines

Tytuł:
Prediction of soil physical properties by optimized support vector machines
Autorzy:
Besalatpour, A.
Hajabbasi, M.A.
Ayoubi, S.
Gharipour, A.
Jazi, A.Y.
Powiązania:
https://bibliotekanauki.pl/articles/24338.pdf
Data publikacji:
2012
Wydawca:
Polska Akademia Nauk. Instytut Agrofizyki PAN
Źródło:
International Agrophysics; 2012, 26, 2
0236-8722
Język:
angielski
Prawa:
Wszystkie prawa zastrzeżone. Swoboda użytkownika ograniczona do ustawowego zakresu dozwolonego użytku
Dostawca treści:
Biblioteka Nauki
Artykuł
  Przejdź do źródła  Link otwiera się w nowym oknie
The potential use of optimized support vector machines with simulated annealing algorithm in developing prediction functions for estimating soil aggregate stability and soil shear strength was evaluated. The predictive capabilities of support vector machines in comparison with traditional regression prediction functions were also studied. In results, the support vector machines achieved greater accuracy in predicting both soil shear strength and soil aggregate stability properties comparing to traditional multiple-linear regression. The coefficient of correlation (R) between the measured and predicted soil shear strength values using the support vector machine model was 0.98 while it was 0.52 using the multiple-linear regression model. Furthermore, a lower mean square error value of 0.06 obtained using the support vector machine model in prediction of soil shear strength as compared to the multiple-linear regression model. The ERROR% value for soil aggregate stability prediction using the multiple-linear regression model was 14.59% while a lower ERROR% value of 4.29% was observed for the support vector machine model. The mean square error values for soil aggregate stability prediction using the multiplelinear regression and support vector machine models were 0.001 and 0.012, respectively. It appears that utilization of optimized support vector machine approach with simulated annealing algorithm in developing soil property prediction functions could be a suitable alternative to commonly used regression methods.

Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies