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 wektora wsparcia

Sortuj według:

Ogranicz wyniki do:

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

100%

Adamowski J. , Prasher S. O.

2012

tom 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.

Accurate prediction of continuous blood glucose based on support vector regression and differential evolution algorithm

100%

Hamdi T. , Ben Ali J. , Di Costanzo V. , Fnaiech F. , Moreau E. , Ginoux J. M.

tom Vol. 38, no. 2

362--372

Type 1 diabetes (T1D) is a chronic disease requiring patients to know their blood glucose values in order to ensure blood glucose levels as close to normal as possible. Hence, the ability to predict blood glucose levels is of a great interest for clinical researchers. In this sense, the literature is rich with several solutions that can predict blood glucose levels. Unfortunately, these methods require the patient to specific their daily activities: meal intake, insulin injection and emotional factors, which can be error prone. To reduce this burden on the patent, this work proposes to use only continuous glucose monitoring (CGM) data to predict blood glucose levels independently of other factors. To support this, support vector regression (SVR) and differential evolution (DE) algorithms were investigated. The proposed method is validated using real CGM data of 12 patients. The obtained average of root mean square error (RMSE) was 9.44, 10.78, 11.82 and 12.95 mg/dL for prediction horizon (PH) respectively equal to 15, 30, 45 and 60 min. The results of the present study and comparison with some previous works show that the proposed method holds promise. The SVR based on DE algorithm achieved high prediction accuracy while being robustness, automatic, and requiring no human intervention.