Wyniki wyszukiwania - Biblioteka Nauki

Ten serwis zostanie wyłączony 2025-02-11.

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: empiryczna metoda dekompozycji

Sortuj według:

Ogranicz wyniki do:

Analysis of effectiveness and computational complexity of trend removal methods

100%

Lentka Ł. , Smulko J.

tom Nr 51

111--114

The paper presents a method of processing measurement data due to remove slowly varying component of the trend occurring in the recorded waveforms. Comparison of computational complexity and trend removal efficiency between some commonly used methods is presented. The impact of these procedures on probability distribution and power spectral density is shown. Effectiveness and computational complexity of these methods depend essentially on nature of the removed trend. This paper describes several procedures: Moving Average Removal (MAR), fitting a polynomial of degree appropriate to the analyzed data, Empirical Mode Decomposition (EMD).

W pracy przedstawiono sposób przetwarzania danych pomiarowych w celu usunięcia wolnozmiennej składowej trendu występującego w rejestrowanych przebiegach. Porównano kilka często stosowanych w tym celu metod pod względem ich złożoności obliczeniowej oraz skuteczności w usuwaniu trendu. Pokazano wpływ tych procedur na rozkład prawdopodobieństwa wartości chwilowych oraz przebieg gęstości widmowej mocy. W ogólności operację usuwania trendu możemy traktować jako filtrację górnoprzepustową danych pomiarowych. W celu usunięcia trendu można użyć filtru górnoprzepustowego (analogowego lub cyfrowego) już na etapie akwizycji danych pomiarowych. Jednakże często mamy do czynienia z danymi, w których składowa trendu jest potrzebna do przeprowadzania innych analiz i nie może być usunięta na etapie rejestracji danych pomiarowych. Ponadto, może mieć charakter niestacjonarny i metody filtracji górnoprzepustowej nie będą skuteczne. W takich przypadkach należy rozważyć inne, często bardziej zaawansowane metody. Skuteczność i złożoność obliczeniowa takich metod zależy istotnie od charakteru usuwanego trendu. W pracy opisano procedurę usuwania średniej kroczącej (ang. Moving Average Removal – MAR), metody o niskiej złożoności obliczeniowej, ale dającej zadowalające rezultaty w dużej liczbie potencjalnych zastosowań. Rozważono usuwanie trendu przez dopasowanie wielomianem odpowiedniego stopnia do analizowanych danych pomiarowy. Procedura ta może być powtarzana kilkukrotnie, nawet ze zwiększaniem stopnia wielomianu przy każdym z kroków, aż do uzyskania przebiegu, w którym usunięto składową trendu. Część pracy poświęcono prezentacji bardziej złożonych obliczeniowo metod, które zostały rozwinięte dopiero w ostatnich latach i wymagają znacznie bardziej intensywnych obliczeń.

Estimation of monthly evaporation values using gradient boosting machines and mode decomposition techniques in the Southeast Anatolia Project (GAP) area in Turkey

100%

Sarigöl M. , Katipoglu O. M.

Acta Geophysica

2024

tom Vol. 72, no. 2

999--1016

Today, the biggest issue appears to be the increase in drought in some regions brought on by global warming, which has greatly increased the significance of water management. In light of evaporation's effect on drought, this research intends to evaluate the effectiveness of hybrid machine learning (ML) models, such as the Gradient Boosting Machines (GBM) technique paired with Empirical Mode Decomposition (EMD), Robust Empirical Mode Decomposition (REMD), Ensemble Empirical Mode Decomposition (EEMD), and Variational Mode Decomposition (VMD) signal decomposition techniques, for monthly evaporation prediction models in the Southeast Anatolia Project Area. In the design of the models, 80% of the data was used for training and 20% for testing. Furthermore, tenfold cross-validation was applied to solve the overfitting problem, which negatively affected the forecast performance. In the model setup, various combinations of precipitation, average air temperature, minimum air temperature, maximum air temperature, wind speed, actual air pressure, relative humidity, and solar time variables are presented to artificial intelligence models as input. The study revealed that the GBM methodology in combination with the signal decomposition methods REMD, EMD, EEMD, and VMD generally allowed for more accurate evaporation estimations than the GBM model alone. The study’s results are essential in relation to agricultural production, irrigation planning, water resources management studies, and hydrological modeling studies in the region.