.png){kind=icon}
返回
Enhancing relative humidity modelling using L2 regularization updates
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-94356-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究探讨了L2正则化在缓解人工神经网络（ANNs）过拟合中的作用，重点关注正则化系数Lambda及其对数据分布和多层感知器（MLP）性能的影响。来自丹吉尔（1985-2022）的气象数据，包含八个影响相对湿度的变量，通过主成分分析（PCA）和自组织映射（SOM）进行分析。PCA识别了关键相关性，如总降水量与相对湿度或水汽压与温度之间的关系，但在处理非线性关系时存在困难。SOM通过突出数据结构的细微差别和检测复杂相关性，补充了PCA。L2正则化，特别是当Lambda = 0.01时，有效降低了数据复杂性和离散度，防止了过拟合并提高了预测精度。在训练过程中调整Lambda优化了Kohonen和MLP网络中的权重偏差，提升了模型性能并实现了精确的相对湿度预测。该策略展示了结合PCA、SOM和L2正则化在气象建模中的价值。
Keyword:
Overfitting
Artificial neural networks
L2 regularization
Relative humidity
And Tangier
期刊
IF:
3.9
论文数:
27.9W
被引数:
83.5W
.png){kind=icon}
查看更多内容