《表4 迭代次数比较：基于自适应差分克里金的煤质指标估算》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于自适应差分克里金的煤质指标估算》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

由表3可知，UMDE-Kriging较MDE-Kriging与RPSO-Kriging具有更好的插值效果，在煤质指标（全水分）的空间插值预测中表现最优，且理论变差函数模型为指数模型时插值效果最好。当MDE-Kriging、RPSO-Kriging与UMDE-Kriging选择指数模型构建插值模型时，比较UMDE、MDE及RPSO求解到近似最优参数时的平均迭代次数如表4所示，可以发现UMDE算法在求解效率上最优。在同等情况下，又对模型进行绝对误差分析的结果如图8所示。