Wyniki wyszukiwania - BazTech

1

Assessing the suitability of extreme learning machines (ELM) for groundwater level prediction

Yadav B., Ch S., Mathur S., Adamowski J.

Journal of Water and Land Development

|

2017

|

no. 32

103--112

EN

Fluctuation of groundwater levels around the world is an important theme in hydrological research. Rising water demand, faulty irrigation practices, mismanagement of soil and uncontrolled exploitation of aquifers are some of the reasons why groundwater levels are fluctuating. In order to effectively manage groundwater resources, it is important to have accurate readings and forecasts of groundwater levels. Due to the uncertain and complex nature of groundwater systems, the development of soft computing techniques (data-driven models) in the field of hydrology has significant potential. This study employs two soft computing techniques, namely, extreme learning machine (ELM) and support vector machine (SVM) to forecast groundwater levels at two observation wells located in Canada. A monthly data set of eight years from 2006 to 2014 consisting of both hydrological and meteorological parameters (rainfall, temperature, evapotranspiration and groundwater level) was used for the comparative study of the models. These variables were used in various combinations for univariate and multivariate analysis of the models. The study demonstrates that the proposed ELM model has better forecasting ability compared to the SVM model for monthly groundwater level forecasting.

PL

Na całym świecie fluktuacje poziomów wód gruntowych stanowią ważny temat badań hydrologicznych. Rosnące potrzeby wodne, błędne praktyki irygacyjne, niewłaściwa gospodarka glebowa i niekontrolowana eksploatacja poziomów wodonośnych są powodami, dla których poziom wód gruntowych podlega fluktuacjom. Dla skutecznego zarządzania zasobami wód gruntowych istotne jest dysponowanie dokładnymi zapiskami i zdolność prognozowania poziomu tych wód. Rozwój technik komputerowych (modele wykorzystujące dane) w dziedzinie hydrologii ma istotny potencjał z powodu niepewnego i złożonego charakteru systemów wód gruntowych. W prezentowanych badaniach wykorzystano dwie techniki komputerowe: maszynę uczenia ekstremalnego (ELM) i maszynę wektorów nośnych (SVM – ang. support vector machine) do przewidywania poziomów wód gruntowych w dwóch studzienkach obserwacyjnych w Kanadzie. Do porównawczych badań modeli wykorzystano zestaw danych miesięcznych z ośmiu lat (2006–2014), składający się z danych hydrologicznych i meteorologicznych (opady, temperatura, ewapotranspiracja, poziom wody). Wymienione zmienne zastosowano w rozmaitych kombinacjach do jedno- i wieloparametrycznej analizy modeli. Wyniki dowodzą, że model ELM ma lepsze zdolności przewidywania miesięcznych poziomów wód gruntowych w porównaniu z modelem SVM.

2

Texture Analysis for 3D Classification of Brain Tumor Tissues

Arunadevi B., Deepa S.

Przegląd Elektrotechniczny

|

2013

|

R. 89, nr 4

338-342

EN

This paper investigates on extending and comparing the Gray level co-occurrence matrices (GLCM) and 3D Gabor filters in volumetric texture analysis of brain tumor tissue classification. The extracted features are sub-selected by genetic algorithm for dimensionality reduction and fed into Extreme Learning Machine Classifier. The organizational prototype of image voxels distinctive to the underlying substrates in a tissue is been evaluated and validated on public and clinical dataset revealing 3D GLCM more appropriate towards brain tumor tissue classification.

PL

W artykule zbadano i porównano algorytmy klasyfikacji tkanki guza mózgu – GLCM i filtry Gabora 3D. Właściwości ekstrakcji były selekcjonowane przy użyciu algorytmu genetycznego i klasyfikatora ELM.

3

Maximum Margin Clustering Using Extreme Learning Machine

Chen Z., Shixiong X., Bing L.

Przegląd Elektrotechniczny

|

2013

|

R. 89, nr 1b

202--204

EN

Maximum margin clustering (MMC) is a newly proposed clustering method, which extends large margin computation of support vector machine (SVM) to unsupervised learning. But in nonlinear cases, time complexity is still high. Since extreme learning machine (ELM) has achieved similar generalization performance at much faster learning speed than traditional SVM and LS-SVM, we propose an extreme maximum margin clustering (EMMC) algorithm based on ELM. It can perform well in nonlinear cases. Moreover, the kernel parameters of EMMC need not be tuned by means of random feature mappings. Experimental results on several real-world data sets show that EMMC performs better than traditional MMC methods, especially in handling large scale data sets.

PL

Opisano nową metodę klastrowania „maximum margin clusterung MMC” która rozszerza wielkość marginesu obliczeń numerycznych w systemie SVM z uczeniem bez nadzoru. Nowa metoda EMMC (extreme maximum margin clustering) zapewnia szybsze uczenie, szczególnie w warunkach nieliniowości.