水文序列的相关插补条件

引用统计学中有关统计检验的概念，分析作为插补资料的相关关系条件，并尽可能给出判别准则及判别式。在相关插补水文序列时，首先需要进行以下检验：（１）残差检验；（２）线性相关程度检验；（３）展延范围的确定。残差检验可论证随机误差是否服从正态分布及是否相互独立。线性相关程度检验可分析所假定的线性回归是否合理及相关程度是否满足插补要求。通过插补范围的估计可求出最大的外延幅度，使插补值的取值范围或误差控制在一定的精度之内。最后利用嘉陵江支流渠江荀渡口、罗渡溪两站的实测资料进行检验分析，证明本文提出的计算公式具有较好的精度。

基于条件生成对抗插补网络的双重判别器缺失值插补算法

应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN)的缺失值插补算法DDC-GAIN(Dual Discriminator based on C-GAIN)。该算法通过一个辅助判别器辅助主判别器判断预测值的真假,即根据一个样本的全局信息判断这个样本生成的真假,更注重特征之间的关系,以此估算预测值。在4个数据集上与5种经典插补算法进行对比实验,结果表明:同样条件下,DDC-GAIN算法在样本量较大时的均方根误差(RMSE)最低;在Default credit card数据集上缺失率为15%时,DDC-GAIN算法的RMSE比次优算法C-GAIN降低了28.99%。这说明利用辅助判别器帮助主判别器学习特征之间的关系是有效的。