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: regresja grzbietowa

Sortuj według:

Ogranicz wyniki do:

Ocena dokładności zregularyzowanej identyfikacji modelu płuc w czasie natężonego wydechu

100%

Polak A. , Mroczka J.

Pomiary Automatyka Kontrola

2000

tom R. 46, nr 8

23-27

Płuca w czasie natężonego wydechu opisane mogą być nieliniowym dyskretnym modelem z dwunastoma parametrami. Identyfikacja tego modelu na podstawie zarejestrowanej krzywej natężonego wydechu jest żle uwarunkowana numerycznie. W referacie przeanalizowano zregularyzowaną estymację parametrów za pomocą regresji grzbietowej. Wyniki badań symulacyjnych pokazują, że przy odpowiednim doborze macierzy regularyzacji można spodziewać się zadowalająco dokładnej estymacji pola przekroju dróg oddechowych warunkującego ich opór oraz mniej dokładnego oszacowania podatności płuc i objętości zalegającej.

Lungs during forced expiration can be described by a non-linear discrete model with twelve parameters. Identification of this model on the basis of a forced expiration curve is numerically ill-conditioned. Regularised estimation of parameters by means of the ridge regression has been analysed in the paper. Results of simulation studies show that, while matching the regularisation matrix properly, one can expect satisfying precision of estimation of the airway cross-sectional area which determines the airway resistance and less accurate assessment of the lung compliance and the residual volume.

Zastosowanie metod uczenia maszynowego do predykcji generowanej energii w małym systemie PV

51%

Idźkowski A. , Sumorek M.

2024

tom R. 28, nr 2

37--43

Artykuł przedstawia problem prognozowania generacji energii elektrycznej w małych systemach fotowoltaicznych (PV). Celem opracowanych długoterminowych prognoz jest możliwość poprawnego zarządzania systemem elektroenergetycznym poprzez podejmowanie odpowiednich działań zachowawczych. Przeanalizowano czynniki atmosferyczne wpływające na pozyskiwanie energii elektrycznej w systemach fotowoltaicznych. Dokonano porównania wybranych modeli prognostycznych z wykorzystaniem uczenia maszynowego, m.in. sieci neuronowych MLP oraz metody wektorów nośnych SVM. Zostały wybrane mierniki pozwalające określić trafność (dokładność) prognoz. Określenie jakości prognoz bazowało na stanach faktycznych pogody, a nie na jej prognozie. Przedstawiono sposób przygotowania danych do utworzenia modeli prognostycznych i zaprezentowano najlepsze modele regresyjne. Do tego celu wykorzystano bibliotekę Scikit-learn umożliwiającą tworzenie skryptów w języku Python. W rozpatrywanym zespole fotowoltaicznym najlepsze rezultaty uzyskano dla modeli MLPRegressor, CatBoostRegressor i SVR. Wykorzystano rzeczywiste dane pomiarowe z systemu paneli ustawionych optymalnie o mocy 3,0 kWp. Dla modelu MLPRegressor osiągnięto największy współczynnik determinacji 0,605 oraz najmniejszy pierwiastek błędu średniokwadratowego 1,79 KWh dla średniej dziennej generacji energii elektrycznej w okresie od kwietnia do września 2022 r. wynoszącej 11,65 kWh.

The article presents data analysis for predicting energy production in photovoltaic (PV) power plant systems. The purpose of long-term forecasts is to determine the effectiveness of preventive actions and manage the power system effectively. Climate variables affecting the production of electricity in photovoltaic systems were analyzed. Forecasting methods using machine learning techniques such as Multi-Layer Perceptron (MLP) neural networks and Support Vector Machine (SVM) were compared. In addition, metrics were selected to determine the quality of forecasts. Determining the quality of forecasts was based on the actual varying conditions, not on the weather forecast data. The way of data preparation to create forecasting models were presented and the models with the best metrics were selected. For this purpose, the Scikit-learn library was used to create scripts in Python. The best results were obtained for regression models: MLPRegressor, CatBoostRegressor and Support Vector Regression. Actual measurement data from a system of optimally-positioned panels with a power of 3.0 kWp were used. For the MLPRegressor model, the highest coefficient of determination 0.605 was achieved with the smallest root-mean-square error of 1.79 KWh.