Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: wavelet networks

Sortuj według:

Ogranicz wyniki do:

Comparison of machine learning methods for runoff forecasting in mountainous watersheds with limited data

Adamowski J., Prasher S. O.

Journal of Water and Land Development

2012

no. 17 [VII-XII]

89-97

Runoff forecasting in mountainous regions with processed based models is often difficult and inaccurate due to the complexity of the rainfall-runoff relationships and difficulties involved in obtaining the required data. Machine learning models offer an alternative for runoff forecasting in these regions. This paper explores and compares two machine learning methods, support vector regression (SVR) and wavelet networks (WN) for daily runoff forecasting in the mountainous Sianji watershed located in the Himalayan region of India. The models were based on runoff, antecedent precipitation index, rainfall, and day of the year data collected over the three year period from July 1, 2001 and June 30, 2004. It was found that both the methods provided accurate results, with the best WN model slightly outperforming the best SVR model in accuracy. Both the WN and SVR methods should be tested in other mountainous watershed with limited data to further assess their suitability in forecasting.

Prognozowanie spływu z obszarów górskich z użyciem programowanych modeli jest często trudne i niedokładne z powodu złożonych zależności między opadem a spływem i problemów związanych z pozyskaniem niezbędnych danych. Modele uczenia maszynowego stwarzają alternatywę dla prognozowania spływu z takich regionów. W pracy analizowano i porównano dwie metody uczenia maszynowego - metodę regresji wektorów nośnych (SVR) i sieci falkowych (WN) do dobowego prognozowania spływu w górskiej zlewni Sianji, usytuowanej w indyjskiej części Himalajów. Modele opracowano na podstawie danych o spływie, wskaźniku poprzednich opadów, opadzie i kolejnym dniu roku za trzyletni okres od 1 lipca 2001 r. do 30 czerwca 2004 r. Stwierdzono, że obie metody zapewniają dokładne wyniki, przy czym najlepszy model WN nieco przewyższa najlepszy model SVR pod względem dokładności. Obie metody powinny być testowane w innych zlewniach górskich o ograniczonej liczbie danych, aby lepiej ocenić ich przydatność do prognozowania.

Linear-wavelet networks

Galvao R. K. H., Becerra V. M., Calado J. M. F., Silva P. M.

International Journal of Applied Mathematics and Computer Science

2004

Vol. 14, no 2

221-232

This paper proposes a nonlinear regression structure comprising a wavelet network and a linear term. The introduction of the linear term is aimed at providing a more parsimonious interpolation in high-dimensional spaces when the modelling samples are sparse. A constructive procedure for building such structures, termed linear-wavelet networks, is described. For illustration, the proposed procedure is employed in the framework of dynamic system identification. In an example involving a simulated fermentation process, it is shown that a linear-wavelet network yields a smaller approximation error when compared with a wavelet network with the same number of regressors. The proposed technique is also applied to the identification of a pressure plant from experimental data. In this case, the results show that the introduction of wavelets considerably improves the prediction ability of a linear model. Standard errors on the estimated model coefficients are also calculated to assess the numerical conditioning of the identification process.