As the RBF kernel function of the L

As the RBF kernel function of the LS-SVM model
utilized in the paper, the regularization parameter γ and the
width coefficient σ play an important role in
establishing a LS-SVM regression model. Generally, the
parameter γ is used to control the function fitting errors.

With a larger value of γ , the better fitting model will be
obtained, also with longer training time. However, if the value
of γ is too large, it will cause an over-fitting problem, and
make the generalization ability degrade. A smaller value of
σ can obtain a better fitting model. However, if σ is too
small, it also causes an over-fitting problem. In this study, the
traditional cross validation method is adopted to determine the
optimal parameters of the model [11]. Considering the 10-flod
cross validation costs more computational time than 5-fold
with the same training data, the 5-fold cross validation is used
to search the optimal parameters. The range of γ and σ 2 is
[100, 1000] and [1, 100], respectively. Therefore, the main
steps of establishing the flooding velocity prediction model
based on LS-SVM can be shown in Fig. 2.

ผลลัพธ์ (ไทย) 1:

เป็นฟังก์ชันเคอร์เนล RBF รุ่น LS SVMใช้ในการ regularization พารามิเตอร์γ กระดาษและσสัมประสิทธิ์ความกว้างมีบทบาทสำคัญในสร้างแบบจำลองถดถอย LS SVM ทั่วไป การγพารามิเตอร์ถูกใช้เพื่อควบคุมการทำงานที่เหมาะสมข้อผิดพลาดจะเป็นแบบกระชับดี ด้วยขนาดใหญ่ค่าγรับ นอกจากนี้ยัง มีเวลาฝึกอีกต่อไป อย่างไรก็ตาม ถ้าค่าγเป็นใหญ่เกินไป มันจะทำให้มีปัญหามากเกินไปเหมาะสม และgeneralization สามารถย่อยสลายได้ ค่าขนาดเล็กΣสามารถขอรับแบบกระชับดี อย่างไรก็ตาม ถ้าσเกินไปเล็ก ก็ยังทำให้มีปัญหามากเกินไปเหมาะสมกัน ในการศึกษานี้ การวิธีสอบแบบไขว้จะนำมาใช้เพื่อกำหนดพารามิเตอร์ที่เหมาะสมของรูปแบบ [11] พิจารณา 10 flodข้ามเวลาคำนวณมากขึ้นกว่าต้นทุนการตรวจสอบ 5-foldข้อมูลฝึกอบรมเดียวกัน ใช้การตรวจสอบไขว้ 5-foldการค้นหาพารามิเตอร์เหมาะสม เป็นช่วงของγและσ 2[100, 1000] และ [1, 100], ตามลำดับ ดังนั้น หลักขั้นตอนของการสร้างแบบจำลองพยากรณ์ความเร็วน้ำท่วมตาม LS SVM สามารถแสดงใน Fig. 2

ผลลัพธ์ (ไทย) 3:

เป็นฐานในการทำงานของรุ่น ls-svm
ใช้ในกระดาษ regularization พารามิเตอร์และค่าความกว้างγ

σมีบทบาทสำคัญในการสร้าง ls-svm ถดถอยแบบ โดยทั่วไป γ
พารามิเตอร์จะใช้ควบคุมฟังก์ชันข้อผิดพลาดที่เหมาะสม

กับค่าขนาดใหญ่ของγ , นางแบบดีกว่าจะได้มีเวลาฝึก
, อีกต่อไป แต่ถ้าค่า
ของγมีขนาดใหญ่เกินไป มันจะทำให้ผ่านปัญหาที่เหมาะสมและให้ความสามารถในการสลาย
. ค่าเล็ก
σสามารถขอรับแบบกระชับดีขึ้น แต่ถ้าσเกินไป
ขนาดเล็ก นอกจากนี้ยังทำให้มีปัญหาที่เหมาะสม ในการศึกษานี้ ใช้วิธีการดั้งเดิมข้าม

เพื่อกำหนดพารามิเตอร์ที่ดีที่สุดของแบบจำลอง [ 11 ] เมื่อพิจารณาจาก 10 flod
ข้ามการตรวจสอบค่าใช้จ่ายเวลาการคำนวณมากกว่าผู้อื่น
กับข้อมูลการฝึกอบรมเดียวกัน ข้ามการตรวจสอบผู้อื่นใช้
เพื่อหาพารามิเตอร์ที่เหมาะสมที่สุด ช่วงγ และσ 2
[ 100 , 1000 ] และ [ 1 , 100 ] ตามลำดับ ดังนั้น ขั้นตอนหลักของการสร้างโมเดลการทำนายน้ำท่วม

ตาม ls-svm ความเร็วสามารถแสดงได้ในรูปที่ 2