ICA method and RBF neural network for prediction improvement

Szupiluk, R.; Siwek, K.; Wojewnik, P.; Ząbkowski, T.

Artykuł - szczegóły

Tytuł artykułu

ICA method and RBF neural network for prediction improvement

Autorzy

Szupiluk R. , Siwek K. , Wojewnik P. , Ząbkowski T.

Wybrane pełne teksty z tego czasopisma

http://pe.org.pl/

Identyfikatory

Warianty tytułu

Metoda składowych niezależnych i radialna sieć neuronowa w zastosowaniu do poprawy predykcji

Języki publikacji

Abstrakty

In this paper we present a novel method for integration the prediction results by finding common latent components via independent component analysis. The latent components can have constructive or destructive influence on particular prediction results. After the elimination of the deconstructive signals we rebuilt the improved predictions using RBF neural networks. We check the method validity on the electricity load prediction task.

W artykule przedstawiono nową metodę pozwalającą na łączenie wyników predykcji poprzez poszukiwanie ukrytych wspólnych składowych przy zastosowaniu procedury analizy składowych niezależnych. Składowe ukryte mogą mieć pozytywny lub negatywny wpływ na wyniki predykcji. Po wyeliminowaniu składowych niekorzystnych poprawiono model wykorzystując sztuczną sieć neuronową z radialną funkcją bazową. Poprawność metody sprawdzono na przykładzie predykcji poboru mocy.

Słowa kluczowe

electric load ensemble methods independent component analysis

obciążenie elektryczne klasyfikator zbiorczy analiza składowych niezależnych

Wydawca

Wydawnictwo SIGMA-NOT

Czasopismo

Przegląd Elektrotechniczny

Rocznik

2007

Tom

R. 83, nr 11

Strony

57--59

Opis fizyczny

Bibliogr. 28 poz., rys., tab.

Twórcy

autor

Szupiluk R.

autor

Siwek K.

autor

Wojewnik P.

autor

Ząbkowski T.

PTC Ltd.

Bibliografia

1. Akaike, H., A new look at the statistical model identification. IEEE Transactions on Automatic Control, Vol.19 (1974) 716-723
2. Amari, S., Cichocki, A., Yang, H.H., A new learning algorithm for blind signal separation. In Advances in Neural Information Processing Systems, NIPS-1995.M1T Press, Cambridge MA (1996) 757-763
3. Armstrong, J.S., Collopy F., Error Measures For Generalizing About Forecasting Methods: Empirical Comparisons. International Journal of Forecasting, Vol.8 (1992) 69-80
4. A. Belouchrani, K. A. Meraim, J.F. Cardoso, E. Moulines, Second-order blind separation of correlated sources, Proc. Int. Conf. on Digital Sig. Proc, pages 346-351, Cyprus, 1993.
5. Bishop, C. M., Neural networks for pattern recognition. Oxford Univ. Press, Oxford UK (1996)
6. Breiman, L, Bagging predictors. Machine Learning, Vol.24 (1996), 123-140
7. Breiman L., (1996) Stacked Regressions. Machine Learning, 24(1), 41-64
8. Breiman L., (1996) Bias, Variance, and Arcing Classifiers. Technical Report (460), statistics Depertment, University of California
9. Cardoso, J. F., High-order contrasts for independent component analysis. Neural Computation, Vol.11 (1999) 157- 192
10. Chen S., Cowan C.F., Grant P.M., Orthogonal least squares learning algorithm for RBF networks, IEEE Trans. Neural Networks, 1991, vol. 2, pp. 302-309.
11. Cichocki, A., Amari, S., Adaptive Blind Signal and Image Processing. John Wiley, Chichester (2002)
12. Cichocki, A., Sabala, I., Choi, S., Orsier, B., Szupiluk, R., Self adaptive independent component analysis for sub-Gaussian and super-Gaussian mixtures with unknown number of sources and additive noise. In Proc. of NOLTA-97, Vol.2, Hawaii USA (1997) 731-734
13. Clemen R.T., (1989) Combining forecasts: A review and annotated bibliography. Int. J. of Forecasting, (5): 559-583
14. Comon, P., Independent component analysis, a new concept? Signal Processing, Vol.36. Elsevier (1994)
15. Drucker H. (1997) Improving Regressors using Boosting Techniques. Proc. of 14th Int. Conf. On Machine Learning, Morgan -Kaufmann, 107-115
16. Harvey, A., Koopman, S., Forecasting Hourly Electricity Demand Using Time-Varying Splines. Journal of the American Statistical Association, Vol. 88 (1993) 1228-1253
17. Haykin, S., Neural networks: a comprehensive foundation. Macmillan, New York (1994)
18. Hoeting, J., Madigan, D., Raftery, A., Volinsky, C, Bayesian model averaging: a tutorial. Statistical Science, Vol.14 (1999) 382-417
19. Hyvarinen, A. Karhunen, J., Oja, E.: Independent Component Analysis. John Wiley (2001)
20. Kennedy, R.L.(ed.), Lee, Y., Van Roy, B., Reed, C, Lippman, R.P., Solving Data Mining Problems with Pattern Recognition. Prentice Hall (1997)
21. Lee, T-W., Girolami, M., Bell, A.J., Sejnowski, T.J., A Unifying Information-theoretic Framework for Independent Component Analysis. Computers & Mathematics with Applications, Vol.31 (2000)1-21
22. Lendasse, A., Cottrell, M., Wertz., V., Verdleysen, M.: Prediction of Electric Load using Kohonen Maps - Application to the Polish Electricity Consumption. Proc. American Control Conf., Anchorage, AK (2002) 3684-3689
23. Markiewicz T., Osowski S., OLS Versus SVM Approach to Learning of RBF Networks, IJCNN Montreal, 2005,1051-1056
24. Mitchell, T.: Machine Learning. McGraw-Hill, Boston (1997)
25. Osowski S., Siwek K., Regularization of neural networks for improved load forecasting in the power system, I EE Proc. Generation, Transmission and Distribution, 2002, Vol. 149, No 3, 340-344
26. Szupiluk, R., Wojewnik, P., Zabkowski, T., Model Improvement by the Statistical Decomposition. Artificial Intelligence and Soft Computing Proceedings. Lecture Notes in Computer Science. Springer-Verlag Heidelberg (2004) 1199-1204
27. Wolpert D.H. (1992) Stacked generalization. Neural Networks, 5: 241-259
28. Yang Y., Adaptive regression by mixing. Journal of American Statistical Association, Vol.96 (2001)

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-article-BPOZ-0006-0024