绝对误差 การใช้

• 我们宁愿要几个小的绝对误差，而不要一个很大的误差。
• 给出了湍流区沿程阻力系数绝对误差的计算式。
• 综合绝对误差函数和相对误差函数于一体，提出一种适合于水文研究的bp神经网络综合目标函数。
• 模型参数使用试错法识别，识别过程中最重要的指标是均方差、平均绝对误差、标准均方差和水均衡。
• 通过大量算例检验证实，在基于相对误差平方和为检验标准前提下，利用所给算法求得的拟合值或预报结果优于传统的基于绝对误差平方和作为目标函数的bp算法所得结果。
• 结果显示，该模型预测效果明显优于传统的线性自回归预测模型，各月平均的平均绝对误差( mae )和均方误差( rmse )达到41 . 8和55 . 7 。
• 由位移计算出绝对误差的均方根误差( rmsa ) ,得到气压与rmsa为非线性的变化关系,其关系图为通过控制气压来调节反射面的精度提供了依据。
• 建立了温度24小时提前预测的人工神经网络模型，使得24小时提前逐时温度预测平均绝对误差从改进ashrae计算方法的0 . 6663降低到了0 . 4512 ，平均相对误差从2 . 02降低到了1 . 36 。
• 建立了空调逐时负荷的24小时提前预测多点输出动态模型，更进一步提高了负荷预测的精度，使得逐时负荷预测平均绝对误差降低到了65 . 07kwh ，期望相对误差降低到了2 . 60 。
• 通过大量室内实验对仪器进行测试及应用，结果表明该蒸散仪性能稳定、重复性好、精度较高，最大绝对误差为13g ，最大相对误差为0 . 4 ，能满足实际应用要求。
• 将数值模拟的结果和数字图像处理的结果相比较分析，发现两种方法之间的速度差别较小，在非边界点处两种方法的速度数据符合相对较好，最小绝对误差为0 . oolm / s ，最小相对误差为0 . 49 % 。
• 第二部分主要是采用几种典型的误差分析方法，主要包括相关性分析和回归分析，对模型的原始输入数据的时间误差、空间误差和统计数据误差进行了相对误差和绝对误差的分析，然后又对模型中各影响因子进行了相关分析和回归分析，最后综合以上误差分析的结果得出该模型的理论精度为87 。
• 本文从分析控制系统的性能指标入手，从抗干扰性能和鲁棒性能两方面综合考虑控制器的设计，得到一种鲁棒pid控制器的设计思路，把pid控制器的设计问题转化为求解一个带鲁棒性能约束的绝对误差积分指标( iae )优化问题。
• 西安理工大学硕士学位论文最后，在visualfortran环境下给出了这种算法的具体实现，处理模拟粒子图像的结果与模拟数据比较吻合，最大位移绝对误差在x方向是0 . 6671像素，在y方向是0 . 7928像素;计算结果与示踪粒子灰度分布模板法(基本的互相关法)在绝大部分点是相同的，只在少数点相差一个像素，而且大多出现在边界区域。
• 计算结果表明，三项输出的预测值与实测数据接近，抗拉强度和屈服强度的相对误差在1的范围以内，延伸率的最大绝对误差为2 . 3 ，明显优于多元线性回归模型5 ? 15的误差，能较好地满足工程应用的要求，对高强度船用螺旋桨铝青铜的生产具有一定的指导意义。
• 在对质量控制点的点位方差进行深入研究的基础上，给出表示导管架质量控制点在任意方向上精度的绝对误差椭圆和相对误差椭圆，进而将这两种误差椭圆应用于导管架的质量控制中，从而使导管架的质量控制更有效和准确。
• 模型结果中，均方差为0 . 7m ，平均误差为- 0 . 045m ，平均绝对误差为0 . 1m ，标准均方差为2 . 3 ，模拟地下水流场与实际观测地下水流场基本一致，说明所建立的数值模型符合该地区的实际水文地质条件。
• 提出了一种励磁系统参数整定方法：首先以大信号特性技术指标为目标，用gause - newton法对励磁系统参数进行辨识，确定符合标准的励磁系统参数；接着按照时间乘绝对误差的积分( itae )准则，用gause - newton法对励磁系统参数进行优化，以提高励磁系统的小信号调节性能。
• 在此过程中，采用平均误差( me ) ，平均绝对误差( mae ) ，插值平均误差平方的平方根( rootmeansquaredinterpolationerror ，简称rmsie ) ，插值前后测站要素值的均方差( meansquaredeviation ,简称msd )差值作为判定插值效果的标准，得出如下结论：通过高斯权重法与结合逐步订正的高斯权重法的对比，说明结合逐步订正方案的高斯权重法可大大提高地面日气温的插值精度；在高斯权重法中加入海拔影响项可以反映出温度随地形高度的变化趋势，同时也能较大地提高地面日气温的空间插值精度，说明在地形复杂的区域，地形影响在插值精度中是不可忽略的；对于高斯权重法的两种改进方案得到的地面日气温分布图都能很好地反映出表面大气气温随地形高度的变化趋势。
• 建立了一个统一的空调逐时负荷的24小时提前人工神经网络预测模型，并根据对日冷负荷类型的som分类结果，通过在内部一共采用8个子神经网络模型使得逐时负荷预测平均绝对误差降低到了80 . 64kwh ，期望相对误差降低到了3 . 27 。