Czasopismo
2017
|
R. 93, nr 4
|
66--69
Tytuł artykułu
Autorzy
Wybrane pełne teksty z tego czasopisma
Warianty tytułu
Stochastyczne algorytmy optymalizacji do uczenia modelu prognostycznego opartego na sieci GRNN – badania porównawcze
Języki publikacji
Abstrakty
This paper presents stochastic optimization algorithms for learning Generalized Regression Neural Network which is used as a patternbased short-term load forecasting model. For adjustment of the model parameters four types of stochastic optimization methods are used: evolution strategies, differential evolution, particle swarm optimization and tournament searching. The learning effectiveness when using these four algorithms is compared on real power system load data.
W artykule zaprezentowano stochastyczne algorytmy uczenia sieci neuronowej regresji uogólnionej, która pełni funkcję modelu krótkoterminowego prognozowania obciążeń elektroenergetycznych. Do strojenia parametrów modelu użyto czterech metod optymalizacji stochastycznej: strategii ewolucyjnych, ewolucji różnicowej, optymalizacji rojem cząstek i przeszukiwania turniejowego. Efektywność tych metod w uczeniu sieci porównano w badaniach symulacyjnych przy użyciu rzeczywistych danych.
Czasopismo
Rocznik
Tom
Strony
66--69
Opis fizyczny
Bibliogr. 9 poz., rys., tab., wykr.
Twórcy
autor
- Czestochowa University of Technology, Institute of Computer Science, al. Armii Krajowej 17, 42-200 Czestochowa, Poland, Dudek@el.pcz.czest.pl
Bibliografia
- [1] Specht D.F. , A General Regression Neural Network, IEEE Transactions on Neural Networks, 2 (1991), No. 6, 568-576
- [2] Dudek G., Pattern Similarity-based Methods for Short-term Load Forecasting – Part 1: Principles, Applied Soft Computing, 37 (2015), 277-287
- [3] Beyer H.G. , Schwefel H.P. , Evolution Strategies - A Comprehensive Introduction, Natural Computing, 1 (2002), No. 1, 3-52
- [4] Storn R. , Price K. , Differential Evolution – A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces, Journal of Global Optimization 11 (1997), No. 4, 341- 359
- [5] Das S. , Suganthan P.N., Differential Evolution: A Survey of the State-of-the-Art, IEEE Transactions on Evolutionary Computation 15 (2011), No. 1, 4-31
- [6] Eberhart R. C. , Shi Y. H. , Particle Swarm Optimization: Developments, Applications and Resources, Proc. IEEE Congr. Evol. Comput. (2001), 81-86
- [7] Eberhart R. C. , Shi Y. H. , Comparing Inertia Weights and Constriction Factors in Particle Swarm Optimization, Proc. IEEE Congr. Evol. Comput. (2000), 84-88
- [8] Dudek G., Tournament Searching Method to Feature Selection Problem, Proc. Artificial Intelligence and Soft Computing, LNCS 6114, (2010), 437-444
- [9] Dudek G., Tournament Searching Method for Optimization of the Forecasting Model Based on the Nadaraya-Watson Estimator, Proc. Artificial Intelligence and Soft Computing, LNCS 8468, (2014), 351-360
Uwagi
Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę (zadania 2017).
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.baztech-4fd278c0-c823-4ebf-9664-c074b0124515