Porównanie modeli GRNN utworzonych z wykorzystaniem modułów sieci neuronowych pakietów MATLAB i STATISTICA

• Autorzy: Białobrzewski I.

Warianty tytułu

EN

Comparison of the GRNN models developed by using neural network moduli of the MATLAB and STATISTICA packets

• Języki publikacji: PL

Abstrakty

PL

Przedstawiono wyniki badań wpływu modeli GRNN, utworzonych z wykorzystaniem modułów Sieci Neuronowych pakietów MATLAB i STATISTICA, na dokładność estymacji wartości temperatury powietrza atmosferycznego. Stwierdzono, że model neuronowy GRNN, powstały na bazie Toolbox Neural Networks v.4 pakietu MATLAB, lepiej aproksymuje temperaturę powietrza atmosferycznego niż modele powstałe na bazie modułu Neural Networks pakietu STATISTICA 6.1. Wśród modeli GRNN powstałych na bazie modułu Neural Networks pakietu STATISTICA 6.1 uzyskano lepszą aproksymuję temperatury powietrza atmosferycznego, wykorzystując dostępne opcje funkcji związanych z modułem Projektant sieci użytkownika.

EN

The effects of GRNN models, developed by using the neural network moduli of the MATLAB and STATISTICA packets on the accuracy of atmospherical air temperature estimation, were studied. It was stated that the GRNN neural model developed on the basis of Toolbox Neural Network v.4 of the MATLAB packet approximated the temperature of atmospherical air better than the models based on Neural Network modulus of STATISTICA 6.1 packet. Among the GRNN models developed on the basis of Neural Network modulus of STATISTICA 6.1 packet, the better approximation of air temperature was obtained by using available options of the functions bound to modulus of the “User’s network designer …”

Słowa kluczowe

PL

model regresyjny; sieci neuronowe GRNN; MATLAB; Statistica

EN

regressive model; GRNN neural networks; MATLAB; Statistica

• Wydawca: Polskie Towarzystwo Inżynierii Rolniczej
• Czasopismo: Inżynieria Rolnicza
• Rocznik: 2005
• Tom: R. 9, nr 8
• Strony: 15--22
• Opis fizyczny: Bibliogr. 9 poz., tab., wykr.

Twórcy

autor

Białobrzewski I.

• Katedra Inżynierii Procesów Rolniczych, Uniwersytet Warmińsko-Mazurski w Olsztynie

Bibliografia

• Bodri L., Čermak V. 2003. Prediction of surface air temperatures by neural network, example based on three-year temperature monitoring at Sporilov Station. Studia Geophysica et Geodaetica, 47(1): 173-184.
• Chtioui Y., Panigrahi S., Francl L. 1999. A generalized regression neural network and its application for leaf wetness prediction to forecast plant disease. Chemometrics and Intelligent Laboratory Systems: 48, 47-58.
• Demuth H., Beale M. 2001. Neural Network Toolbox For Use with MATLAB. The MathWorks, Inc.
• Ferreira P.M.; Faria E.A., Ruano A.E. 2002. Neural network models in greenhouse air temperature prediction. Neurocomputing, 43: 51-75.
• Krzyżak A., Rafajłowicz E. 2000. Aproksymacja funkcji przy pomocy jednokierunkowych sieci neuronowych. Biocybernetyka i Inżynieria Biomedyczna, Tom 6 Sieci Neuronowe. Akademicka Oficyna Wydawnicza EXIT, Warszawa.
• Raju K.G. 2001. Prediction of Soil Temperature by Rusing Artificial Neural Networks Algorithms. Nonlinear Analysis, 47: 1737-1748.
• Ryniecki A. Jayas D.S. 1992. Stochastic modeling of grain temperature in near-ambient drying. Drying Technology, 10, 1: 123-137.
• Siejkowski, S., Markowski, M. 2000. Model dobowych zmian temperatury powietrza atmosferycznego. Problemy Inżynierii Rolniczej, 2 (28): 35-40.
• StatSoft, Inc. 2004. Electronic Statistics Textbook. Tulsa, OK: StatSoft. WEB: http://www.statsoft.com/textbook/stathome.html