Login for students

Login for employees

Publication detail

Ozone prediction on the basis of neural networks, support vector regression and methods with uncertainty
Authors: Hájek Petr | Olej Vladimír
Year: 2012
Type of publication: článek v odborném periodiku
Name of source: Ecological Informatics
Publisher name: Elsevier Science BV
Place: Amsterdam
Page from-to: 31-42
Titles:
Language Name Abstract Keywords
cze Predikce ozonu na bázi neuronových sítí, podpůrné vektorové regrese a metod s neurčitostí Článek uvádí modelování predikce průměrné denní úrovně ozonu pomocí neoronových sítí, podpůrné vektorové regrese a metod s neurčitostí. Na zákaldě dat naměřených monitorovací stanicí v parubickém mikroregionu, Česká republika, a optimalizace počtu parametrů definovanou účelovou funkcí a genetickým algoritmem, je navržen model predikce průměrné denní úrovně ozonu. Tento model je optimalizován s ohledem na jeho vstupní parametry. Cílem predikce bylo porovnat výsledky metod s cílem různých doporučení regionálnímu managementu veřejné správy. Modelování bylo realizováno dopřednou neuronovou sítí typu perceptron, time delay neuronovými sítěmi, RBF neuronovými sítěmi, ε-podpůrnou vektorovou regresí, fuzzy inferenčními systémy a Takagi-Sugeno intuitionistickými fuzzy inferenčními systémy. Zvláštní pozornost je věnována adaptaci Takagi-Sugeno intuitionistických fuzzy inferenčních systémů a adaptaci fuzzy logických systémů pomocí evolučních algoritmů. Denní průměrná úroveň ozonu v určitý okamžik je charakterizován RMSE chybou. Nejlepších výsledků bylo dosaženo pomocí ε-podpůrné vektorové regrese s polynomickou jádrovou funkcí a Takagi-Sugeno intuitionistickými fuzzy inferenčními systémy adaptovanými Kalmanovým filtrem. Predikce ozonu; neuronové sítě; ε-podpůrná vektorová regrese; fuzzy inferenční systém Takagi-Sugeno; intuitionistický fuzzy inferenční systém Takagi-Sugeno; evoluční fuzzy logické systémy
eng Ozone prediction on the basis of neural networks, support vector regression and methods with uncertainty The article presents modeling of daily average ozone level prediction by means of neural networks, support vector regression and methods based on uncertainty. Based on data measured by a monitoring station of the Pardubice micro-region, the Czech Republic, and optimization of the number of parameters by a defined objective function and genetic algorithm a model of daily average ozone level prediction in a certain time has been designed. The designed model has been optimized in light of its input parameters. The goal of prediction by various methods was to compare the results of prediction with the aim of various recommendations to micro-regional public administration management. It is modeling by means of feed-forward perceptron type neural networks, time delay neural networks, radial basis function neural networks, ε-support vector regression, fuzzy inference systems and Takagi–Sugeno intuitionistic fuzzy inference systems. Special attention is paid to the adaptation of the Takagi–Sugeno intuitionistic fuzzy inference system and adaptation of fuzzy logic-based systems using evolutionary algorithms. Based on data obtained, the daily average ozone level prediction in a certain time is characterized by a root mean squared error. The best possible results were obtained by means of an ε-support vector regression with polynomial kernel functions and Takagi–Sugeno intuitionistic fuzzy inference systems with adaptation by means of a Kalman filter. Ozone prediction; Neural networks; ε-Support vector regression; Takagi–Sugeno fuzzy inference systems; Takagi–Sugeno intuitionistic fuzzy inference systems; Evolutionary fuzzy logic-based systems

Map

en.mapy.cz

Services

Popular Links

© 2023 University of Pardubice, Studentská 95, 532 10 Pardubice 2
Phone: +420 466 036 111, 466 036 112, 466 036 113
Webmaster, RSS
Data box ID: f5vj9hu
Accessibility Statement
CC BY-NC-ND 4.0Creative CommonsAttributionNonCommercialNoDerivatives