基于改进粒子群算法的主动微波遥感土壤水分反演方法研究
发布时间:2021-03-03 06:46
提出了粒子群算法的主被动微波遥感土壤水分反演的新算法。通过对惯性权重和学习因子确定的方法,把最初提出来的典型线性递减策略转变为线性微分递减策略,通过对两者确定方法的更新来探究新的计算方法的可行性。由实验数据计算出草地R2=0.753 7, RMSE=0.0236 790 4;盐碱地R2=0.727 2, RMSE=0.0313 73,较经典算法有所提高,表明改进惯性权重和学习因子的方法有效可行,较经典的算法运算速度快、精度高,体现了改进粒子群算法的优势和潜力。
【文章来源】:河南农业. 2020,(17)
【文章页数】:4 页
【部分图文】:
盐碱地新算法反演结果
ω为惯性权重因子,其值为负数,值越大,全局和局部寻优能力较强,如果值越小则全局寻优能力弱,局部寻优能力强,则可以通过对ω的大小的调整,可以对全局以及局部寻优性能进行相应的调整。C1和C2分别为个体学习因子和社会学习因子。Random(0,1)表示在[0,1]间产生随机数,Pid表示个体极值,Pgd表示全局最优解。(四)改进粒子群算法
为验证经验函数的正确性,通过实验时的δvv以及通过经验函数计算得的δvv加以验证经验函数求出R2。则上式对应的R2分别为:0.722 9,0.717 4,0.716 8,0.705 0。R2表明经验函数的对本实验的适用性。图4 草地新算法反演结果
本文编号:3060815
【文章来源】:河南农业. 2020,(17)
【文章页数】:4 页
【部分图文】:
盐碱地新算法反演结果
ω为惯性权重因子,其值为负数,值越大,全局和局部寻优能力较强,如果值越小则全局寻优能力弱,局部寻优能力强,则可以通过对ω的大小的调整,可以对全局以及局部寻优性能进行相应的调整。C1和C2分别为个体学习因子和社会学习因子。Random(0,1)表示在[0,1]间产生随机数,Pid表示个体极值,Pgd表示全局最优解。(四)改进粒子群算法
为验证经验函数的正确性,通过实验时的δvv以及通过经验函数计算得的δvv加以验证经验函数求出R2。则上式对应的R2分别为:0.722 9,0.717 4,0.716 8,0.705 0。R2表明经验函数的对本实验的适用性。图4 草地新算法反演结果
本文编号:3060815
本文链接:https://www.wllwen.com/kejilunwen/nykj/3060815.html