Noise Detection for Latent Component Classification in Ensemble Method

• Autorzy: Szupiluk R.

Warianty tytułu

PL

Detekcja szumu oraz klasyfikacja ukrytych komponentów w metodzie agregacji modeli

• Języki publikacji: EN

Abstrakty

EN

We present a novel concept of the random noise detection applied in model integration process. The ensemble method is based on decomposition of the multivariate variable containing model results. The decomposition originating from Blind Signal Separation gives us the latent components with destructive or constructive impact on the prediction quality. The identification and elimination of the noisy signals should improve final prediction result. The validity of our concept is presented on the real problem of load forecasting in the Polish Power System.

PL

W artykule przedstawiono nową metodę detekcji szumów losowych zastosowana w procesie agregacji modeli. W rozwijanej metodzie agregacji zbieramy rezultaty poszczególnych modeli predykcyjnych w jednej wielowymiarowej zmiennej. Zakładamy, że zawiera ona konstruktywne oraz destrukcyjne dla wyników prognozy ukryte komponenty. Komponenty te możemy estymować metodami ślepej separacji sygnałów. Poprawna identyfikacji oraz eliminacja komponentów szumowych prowadzi do poprawy ostatecznych wyników predykcji. Potwierdzeniem skuteczności proponowanych rozwiązań jest przykład predykcji obciążenia systemu elektroenergetycznego.

Słowa kluczowe

EN

ensemble methods; noise detection; blind source separation

PL

agregacja; wykrywanie szumów; ślepa separacja sygnałów

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2010
• Tom: R. 86, nr 1
• Strony: 144--146
• Opis fizyczny: Bibliogr. 13 poz., tab., wykr.

Twórcy

autor

Szupiluk R.

• Warsaw School of Economics,

Bibliografia

• [1] Breiman L., Bagging predictors, Machine Learning, Vol. 24, 1996, pp. 123-140.
• [2] Cichocki A., Amari S., Adaptive Blind Signal and Image Processing, John Wiley, Chichester, 2002.
• [3] Hamilton J.D., Time series analysis, Princeton, Princeton University Press,1994.
• [4] Haykin S., Neural networks: a comprehensive foundation, Macmillan, New York, 1994.
• [5] Hurst H.E., Long term storage capacity of reservoirs, Trans. Am. Soc. Civil Engineers, No 116, 1951.
• [6] Hyvärinen A., Karhunen J., Oja E., Independent Component Analysis, John Wiley, 2001.
• [7] Osowski S., Siwek K., Regularization of neural networks for improved load forecasting in the power system, IEE Proc. Generation, Transmission and Distribution, Vol. 149, No 3, 2002, pp. 340-344.
• [8] Peters E., Fractal market analysis, John Wiley&Son, 1996.
• [9] Samorodnitskij G., Taqqu M., Stable non-Gaussian random processes: stochastic models with infinitive variance. N.York, London, Chapman and Hall, 1994.
• [10] Szupiluk R., Wojewnik P., Zabkowski, T., Model Improvement by the Statistical Decomposition. Artificial Intelligence and Soft Computing Proceedings. LNCS, Springer-Verlag Heidelberg, 2004, pp. 1199-1204.
• [11] Therrien C.W., Discrete Random Signals and Statistical Signal Processing, Prentice Hall, New Jersey, 1992, Toulouse, France, 2006.
• [12] Vaseghi S.V., Advanced signal processing and digital noise reduction, Chichester, John Wiley and Sons, Stuttgart, B. G. Teubner, 1997.
• [13] Yang Y., Adaptive regression by mixing, Journal of American Statistical Association, Vol. 96, 2001