Wyniki wyszukiwania - BazTech

1

Nonparametric regression approach: applications in agricultural science

Charytanowicz M., Czachor H., Niewczas J.

Czasopismo Techniczne. Automatyka

|

2013

|

R. 110, z. 1-AC

17--27

EN

In this paper, a method for determining the soil pore size distribution, constituting the subject of the presented investigations, is proposed. A research study was conducted using image analysis algorithms, and in turn, nonparametric statistical techniques. The results and further work will be discussed in section four. The purpose of this investigation is to discover the relationship between the pore size and volume of the corresponding pores. The algorithm presented here is based on the theory of statistical kernel estimators. This frees it of assumptions in regard to the form of regression function. The approach is universal, and can be successfully applied for many tasks in data mining, where arbitrary assumptions concerning the form of regression function are not recommended.

PL

Celem niniejszego artykułu jest zaprezentowanie procedury wyznaczania rozkładu wielkości porów w agregatach glebowych. Do scharakteryzowania zależności pomiędzy badanymi zmiennymi wykorzystana zostanie funkcja regresji. W przeprowadzonych badaniach zastosowano algorytmy analizy obrazów cyfrowych oraz metodykę statystycznych estymatorów jądrowych. Przedstawiona metoda umożliwia uzyskanie właściwej charakterystyki rozkładu wielkości porów i może stanowić efektywne narzędzie stosowane w wielu zagadnieniach eksploracji danych. Jako model nieparametryczny, nie wymaga założeń dotyczących kształtu zależności funkcyjnej między rozpatrywanymi zmiennymi.

2

Short-Term Load Forecasting Based on Kernel Conditional Density Estimation

Dudek G.

Przegląd Elektrotechniczny

|

2010

|

R. 86, nr 8

164-167

EN

A short-term load forecasting model based on the kernel estimation of the conditional probability density distribution is proposed. The pattern vector of the load time series sequence can be treated as the multivariate random variable whose value determines the pattern component values of the next sequence, which is forecasted. Probability density functions are obtained from historical load time series by means of nonparametric density estimation. This approach uses the product kernel estimators. The kernel function smoothing parameters are determined using cross-validation procedure. The suitability of the proposed approach is illustrated through applications to real load data.

PL

Proponuje się model prognostyczny do sporządzania krótkoterminowych prognoz obciążeń systemów elektroenergetycznych w oparciu o estymację jądrową rozkładu warunkowej gęstości prawdopodobieństwa. Wektor obrazu sekwencji szeregu czasowego obciążeń może być traktowany jako wielowymiarowa zmienna losowa, która determinuje wartość składowych obrazu następnej, prognozowanej sekwencji. Funkcje gęstości prawdopodobieństwa utworzono na podstawie historycznych szeregów czasowych obciążeń za pomocą estymacji nieparametrycznej. To podejście używa produktowych estymatorów jądrowych. Parametry wygładzania funkcji jądrowych określa się w procedurze walidacji krzyżowej. Użyteczność proponowanego podejścia zilustrowano aplikacjami do rzeczywistych danych.

3

Adaptive kernel algorithms for time series prediction

Michalak M.

Studia Informatica

|

2009

|

Vol. 30, nr 3A

25-35

EN

The article describes two kernel algorithms of the regression function estimation, that are used for the time series prediction. First of them {HASKE) has its own heuristic of the h parameter evaluation. The second (HKSVR) connects SVMand the HASKE in such way that it is based on the HASKE heuristic of local neighborhood evaluation.

PL

W artykule opisano dwa nowe algorytmy estymacji funkcji regresji, zastosowane do predykcji szeregów czasowych. Pierwszy z nich (HASKE) opiera się na pewnej heurystyce wyznaczania parametru wygładzającego. Drugi z nich (HKSVR) łączy HASKE z SVR przez wykorzystanie wspomnianej heurystyki.

4

Generalized kernel regression estimate for the identification of Hammerstein systems

Mzyk G.

International Journal of Applied Mathematics and Computer Science

|

2007

|

Vol. 17, no 2

189-197

EN

A modified version of the classical kernel nonparametric identification algorithm for nonlinearity recovering in a Hammerstein system under the existence of random noise is proposed. The assumptions imposed on the unknown characteristic are weak. The generalized kernel method proposed in the paper provides more accurate results in comparison with the classical kernel nonparametric estimate, regardless of the number of measurements. The convergence in probability of the proposed estimate to the unknown characteristic is proved and the question of the convergence rate is discussed. Illustrative simulation examples are included.

5

Adaptive kernel estimation of the mode in a nonparametric random design regression model

Ziegler K.

Probability and Mathematical Statistics

|

2004

|

Vol. 24, Fasc. 2

213--235

EN

In a nonparametric regression model with random design, where the regression function m is given by m (x) = E(Y |X = x), estimation of the location θ (mode) and size m (θ) of a unique maximum of m is considered. As estimators, location θ and size m (θ) of a maximum of the Nadaraya-Watson kernel estimator m for the curve m are chosen. Within this setting, we establish joint asymptotic normality and asymptotic independence for θ and m (θ) (which can be exploited for constructing simultaneous confidence intervals for θ and m (θ)) under mild local smoothness assumptions on m and the design density g (imposed in a neighborhood of θ). The bandwidths employed for m are data-dependent and of plug-in type. This is handled by viewing the estimators as stochastic processes indexed by a so-called scaling parameter and proving functional central limit theorems for those processes. In the same way, we obtain, as a by-product, an asymptotic normality result for the Nadaraya-Watson estymator itself at a finite number of distinct points, which improves on previous results.