Publikace detail

Ozone prediction on the basis of neural networks, support vector regression and methods with uncertainty

Autoři: Hájek Petr | Olej Vladimír

Rok: 2012

Druh publikace: článek v odborném periodiku

Název zdroje: Ecological Informatics

Název nakladatele: Elsevier Science BV

Místo vydání: Amsterdam

Strana od-do: 31-42

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
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

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte