Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: regresja wektorowa

Sortuj według:

Ogranicz wyniki do:

Drought forecasting using new machine learning methods

Belayneh A., Adamowski J.

Journal of Water and Land Development

2013

no. 18 [I-VI]

3--12

In order to have effective agricultural production the impacts of drought must be mitigated. An important aspect of mitigating the impacts of drought is an effective method of forecasting future drought events. In this study, three methods of forecasting short-term drought for short lead times are explored in the Awash River Basin of Ethiopia. The Standardized Precipitation Index (SPI) was the drought index chosen to represent drought in the basin. The following machine learning techniques were explored in this study: artificial neural networks (ANNs), support vector regression (SVR), and coupled wavelet-ANNs, which pre-process input data using wavelet analysis (WA). The forecast results of all three methods were compared using two performance measures (RMSE and R²). The forecast results of this study indicate that the coupled wavelet neural network (WA-ANN) models were the most accurate models for forecasting SPI 3 (3-month SPI) and SPI 6 (6-month SPI) values over lead times of 1 and 3 months in the Awash River Basin in Ethiopia.

Efektywna gospodarka rolna, uzyskanie dużych plonów wymaga prowadzenia działań w celu ograniczenia niekorzystnego wpływu suszy. Ważnym czynnikiem ograniczania skutków suszy jest efektywna i możliwie precyzyjna metoda przewidywania suszy. W artykule przedstawiono trzy metody prognozowania suszy w okresach krótkoterminowych, które zostały zastosowane w zlewni rzeki Awash w Etiopii. Do kwantyfikacji suszy zastosowano wskaźnik standaryzowanego opadu (SPI). Zastosowane zostały następujące samouczące się metody: sztuczne sieci neuronowe (ANNs), regresje wektorowe (SVR) oraz połączenie ANNs z analizą falową (WA), którą zastosowano do wstępnej obróbki danych. Ocenę prognozy dokonano stosując dwa mierniki – RMSE i R². Na podstawie obliczeń stwierdzono, że połączona metoda analizy falowej z siecią neutronową (WA-ANN) jest najdokładniejsza w prognozowaniu wartości SPI 3 (3-miesięczne SPI) i SPI 6 (6-miesięczne SPI) w okresie 1 i 3 miesiące naprzód w zlewni rzeki Awash.

Application of kernel ridge regression to network levelling via Mathematica

Völgyesi L., Paláncz B., Fekete K., Popper G.

Reports on Geodesy

2005

z. 2/73

263-276

A new method based on support vector regression (SVR) bas been developed for network levelling. Employing zero insensitive margin and first order polynomial kemel, the general form of SVR bas been reduced to a kernel ridge regressor, which is a linear function approximator. Then this function approximation problem can be transformed into an adjustment problem, simply using proper recasting of the variabIes. Only one part of the measured values (training equations) is considered in the adjustment, the other part of them (test equations) is used to compute the risk of the data generalization. Then the quality of the estimation can be measured by computing the performance index of the levelling, a value which is a trade off between adjustment quality (residual of the test equations) and the adjustment risk (the ratio of the residual of the test equations and that of the training equations). This performance index can be optimized with the regularization term of the ridge regressor. The algorithm was implemented in Mathematica 5.1 and demonstrated by numerical example.