Artykuł przedstawia metodę budowy numerycznego modelu rzeźby terenu proponowaną dla torów wodnych. Metoda oparta jest na przekrojach aproksymowanych z wykorzystaniem sieci radialnych (RBF), z przyrostowym doborem liczby neuronów radialnych. Przekroje adaptacyjnie dopasowują się do modelowanej powierzchni oraz założonego przez użytkownika błędu, co zapewnia redukcję danych i możliwość wizualizacji powierzchni w czasie rzeczywistym. Do badań wykorzystano powierzchnie testowe oraz rzeczywiste punkty pomiarowe z toru wodnego Szczecin - Świnoujście.
EN
A method of constructing a Numerical Terrain Relief Model dedicated to fairways is presented. The method is based on approximated cross-sections using RBF networks with an incremental selection of radial neurons number. Adaptive cross-sections adjust to the model surface and to an error assumed by the user, which reduces the amount of data and makes it possible to visualize the surface in real time. The research made use of test surfaces as well as real measurement points located in the Szczecin - Świnoujście fairway.
Radial basis function networks (RBFN) are used for short-term load forecasting (STLF) problem for the Czech Electric Power Company (CEZ). Nowadays multilayer perceptron networks (MLP) with backpropagation paradigm are commonly used because of their simplicity and the possiblility of parallel implementation on neuro-computers for high-speed execution. Inspite of their popularity, they have some major drawbacks i.e., the training stage is time-consuming and there is no exact rule for fixing the number of hidden neurons and hidden layers to avoid underfitting or overfitting and to obtain, hopefully, a converging learning phase. These problems can be avoided by utilizing radial basis function networks, which exhibit a good approximation and learning ability. In this paper, the application of the RBFN to the problem of forecasting daily load is analysed and its performance in a competition is then contrasted with that of MLP and recurrent neural networks (RNN).
PL
W artykule omówiono zagadnienia związane z zastosowaniem sieci neuronowych w prognozowaniu obciążeń systemu elektroenergetycznego w krótkich (dobowych i tygodniowych) okresach czasu. Szczególną uwagę zwrócono na sieci neuronowe o radialnej funkcji bazowej (RBFN), przedstawiając ich architekturę oraz właściwości. W opisie działania, projektowania oraz uczenia sieci radialnych wyszczególniono te ich cechy, które je dodatnio odróżniają od powszechnie stosowanych w technice sieci wielowarstwowych jednokierunkowych (MLP). Oba wymienione typy sieci neuronowych oraz sieci rekurencyjne (RNN) wykorzystano do predykcji obciążeń systemu elektroenergetycznego, konstruując oddzielne sieci dla każdego dnia tygodnia i uwzględniając w ich budowie obciążenie 24-godzinowe oraz temperaturę. Jako ciągi czasowe uczące przyjęto dane obciążeń czeskiego systemu elektroenergetycznego z lat 1994-1998, natomiast do testowania sieci - dane z roku 1999. Do uczenia sieci neuronowych wykorzystano algorytm wstecznej propagacji błędu, a do minimalizacji funkcji celu zastosowano algorytm gradientów sprzężonych. Jakość prognozy obciążeń systemu elektroenergetycznego przez różne typy sieci neuronowych oceniono na podstawie rozkładu błędów (PAE) w okresie dobowym oraz błędów (MAP) w okresie tygodnowym. Przeprowadzone badania oraz zaprezentowane w artykule niektóre ich wyniki pokazały, iż radialne sieci neuronowe z większą dokładnością przewidują obciążenia systemu elektroenergetycznego oraz że proces ich projektowania i uczenia jest szybszy niż pozostałych analizowanych sieci.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.