Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Adamowski, J." wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Water demand forecasting using extreme learning machines
    Przewidywanie zapotrzebowania na wodę z użyciem technik uczenia maszynowego
    Autorzy:
    Tiwari, M.
    Adamowski, J.
    Adamowski, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/292339.pdf
    Data publikacji:
    2016
    Wydawca:
    Instytut Technologiczno-Przyrodniczy
    Tematy:
    artificial neural networks
    bootstrap
    Canada
    extreme learning machines
    uncertainty
    water demand forecasting
    wavelets
    ekstremalne maszyny uczące się
    falki
    Kanada
    niepewność
    prognozowanie zapotrzebowania na wodę
    sztuczne sieci neuronowe
    Opis:
    The capacity of recently-developed extreme learning machine (ELM) modelling approaches in forecasting daily urban water demand from limited data, alone or in concert with wavelet analysis (W) or bootstrap (B) methods (i.e., ELM, ELMW, ELMB), was assessed, and compared to that of equivalent traditional artificial neural network-based models (i.e., ANN, ANNW, ANNB). The urban water demand forecasting models were developed using 3-year water demand and climate datasets for the city of Calgary, Alberta, Canada. While the hybrid ELMB and ANNB models provided satisfactory 1-day lead-time forecasts of similar accuracy, the ANNW and ELMW models provided greater accuracy, with the ELMW model outperforming the ANNW model. Significant improvement in peak urban water demand prediction was only achieved with the ELMW model. The superiority of the ELMW model over both the ANNW or ANNB models demonstrated the significant role of wavelet transformation in improving the overall performance of the urban water demand model.
    Oceniono zdolność modelowania z użyciem ekstremalnej maszyny uczącej się (ELM) stosowanej samodzielnie bądź w połączeniu z analizą falkową (W) lub metodami bootstrapowymi (B) (tzn. ELM, ELMW, ELMB) do przewidywania dobowego zapotrzebowania na wodę w mieście. Wyniki porównano z uzyskanymi tradycyjnymi metodami bazującymi na sztucznych sieciach neuronowych (tzn. ANN, ANNW, ANNB). Modele przewidujące zapotrzebowanie na wodę zbudowano z wykorzystaniem trzyletniego zapotrzebowania na wodę i zestawu danych klimatycznych dla miasta Calgary w kanadyjskiej prowincji Alberta. Hybrydowe modele ELMB i ANNB zapewniały satysfakcjonujące prognozy jednodniowe o podobnej dokładności, natomiast wyniki uzyskane z zastosowaniem modeli ELMW i ANNW były bardziej dokładne, przy czym model ELMW okazał się lepszy niż ANNW. Istotną poprawę prognozowania szczytowego zapotrzebowania na wodę w mieście uzyskano jedynie z zastosowaniem modelu ELMW. Wyższość modelu ELMW nad modelami ANNW czy ANNB dowodzi znaczącej roli transformacji falkowej w usprawnianiu działania modeli prognozujących zapotrzebowanie na wodę w mieście.
    Źródło:
    Journal of Water and Land Development; 2016, 28; 37-52
    1429-7426
    2083-4535
    Pojawia się w:
    Journal of Water and Land Development
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Weekly urban water demand forecasting using a hybrid waveletbootstrap-artificial neural network approach
    Tygodniowa prognoza zapotrzebowania na wodę w obszarach miejskich określana metodą hybrydową z wykorzystaniem transformaty falkowej-bootstrapu-sztucznej sieci neuronowej
    Autorzy:
    Adamowski, K.
    Adamowski, J.F.
    Seidou, O.
    Ozga-Zielinski, B.
    Powiązania:
    https://bibliotekanauki.pl/articles/81757.pdf
    Data publikacji:
    2014
    Wydawca:
    Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. Wydawnictwo Szkoły Głównej Gospodarstwa Wiejskiego w Warszawie
    Opis:
    This study developed a hybrid wavelet–bootstrapartifi cial neural network (WBANN) model for weekly (one week) urban water demand forecasting in situations with limited data availability. The proposed WBANN method is aimed at improving the accuracy and reliability of water demand forecasting. Daily maximum temperature, total precipitation and water demand data for almost three years were used in this study. It was concluded that the hybrid WBANN model was more accurate compared to the ANN, BANN and WANN methods, and can be applied successfully for operational water demand forecasting. The WBANN model simulated peak water demand very effectively. The better performance of the WBANN model indicated that wavelet analysis signifi cantly improved the model’s performance, whereas the bootstrap technique improved the reliability of forecasts by producing ensemble forecasts. The WBANN model was also found to be effective in assessing the uncertainty associated with water demand forecasts in terms of confi dence bands; this can be helpful in operational water demand forecasting.
    W artykule zaproponowano hybrydowy model (WBANN) wykorzystujący transformatę falkową, bootstrap i sztuczną sieć neuronową do opracowania tygodniowej prognozy zapotrzebowania na wodę w obszarach miejskich przy ograniczonej dostępności danych. Proponowany model WBANN ma na celu poprawę trafności i niezawodności prognozowania zaopatrzenia w wodę. W analizach wykorzystane zostały dobowe wartości maksymalnej temperatury, sumy opadów i zapotrzebowania na wodę z 3-letniego okresu obserwacji. Stwierdzono, że hybrydowy model WBANN jest dokładniejszy od modeli ANN, BANN i WANN i z powodzeniem może być użyty do operacyjnego prognozowania zapotrzebo zapotrzebowania na wodę. Model WBANN bardzo skutecznie prognozuje szczytowy popyt na wodę. Dobre wyniki otrzymane z modelu WBANN świadczą o tym, że zastosowana analiza falkowa znacząco poprawiła dokładność modelu, a metoda bootstrapu polepszyła niezawodność (wiarygodność) modelu poprzez prognozowanie ensemblowe. Ocena niepewności z zastosowaniem przedziału ufności wykazała dużą trafność prognoz generowanych przez model WBANN oraz jego przydatność w operacyjnym wykorzystaniu.
    Źródło:
    Annals of Warsaw University of Life Sciences - SGGW. Land Reclamation; 2014, 46, 3
    0208-5771
    Pojawia się w:
    Annals of Warsaw University of Life Sciences - SGGW. Land Reclamation
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A wavelet-SARIMA-ANN hybrid model for precipitation forecasting
    Hybrydowy model wavelet-SARIMA-ANN do prognozowania opadów
    Autorzy:
    Shafaei, M.
    Adamowski, J.
    Fakheri-Fard, M.
    Dinpashoh, Y.
    Adamowski, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/292320.pdf
    Data publikacji:
    2016
    Wydawca:
    Instytut Technologiczno-Przyrodniczy
    Tematy:
    artificial neural network (ANN)
    precipitation forecasting
    seasonal auto regressive integrated moving average (SARIMA)
    water resources management
    wavelet
    gospodarka zasobami wodnymi
    metoda wavelet
    prognozowanie opadów
    sezonowa zintegrowana autoregresja z ruchomą średnią
    sztuczne sieci neuronowe
    Opis:
    Given its importance in water resources management, particularly in terms of minimizing flood or drought hazards, precipitation forecasting has seen a wide variety of approaches tested. As monthly precipitation time series have nonlinear features and multiple time scales, wavelet, seasonal auto regressive integrated moving average (SARIMA) and hybrid artificial neural network (ANN) methods were tested for their ability to accurately predict monthly precipitation. A 40-year (1970–2009) precipitation time series from Iran’s Nahavand meteorological station (34°12’N lat., 48°22’E long.) was decomposed into one low frequency subseries and several high frequency sub-series by wavelet transform. The low frequency sub-series were predicted with a SARIMA model, while high frequency subseries were predicted with an ANN. Finally, the predicted subseries were reconstructed to predict the precipitation of future single months. Comparing model-generated values with observed data, the wavelet-SARIMA-ANN model was seen to outperform wavelet-ANN and wavelet-SARIMA models in terms of precipitation forecasting accuracy.
    Prognozowanie opadów, ze względu na ich znaczenie w gospodarce zasobami wodnymi, szczególnie w zmniejszaniu ryzyka powodzi czy susz, było już przedmiotem wielu badań. Serie miesięcznych opadów mają właściwości nieliniowe i różne skale czasowe, w związku z czym przetestowano różne metody: wavelet, metodę zintegrowanej sezonowej autoregresji z ruchomą średnią (SARIMA) i hybrydową metodę sztucznych sieci neuronowych (ANN) pod kątem ich zdolności do dokładnego przewidywania miesięcznych opadów. Czterdziestoletnią (1970–2009) serię opadów z irańskiej stacji meteorologicznej w Nahavand (34°12’N, 48°22’E) rozłożono na jedną podserię o niskiej częstotliwości i kilka podserii o wysokiej częstotliwości występowania opadów przez transformację falkową. Podserie o niskiej częstotliwości prognozowano za pomocą modelu SARIMA, podczas gdy podserie o wysokiej częstotliwości prognozowano, stosując ANN. Na koniec prognozowane podserie zrekonstruowano celem przewidywania opadów w poszczególnych miesiącach w przyszłości. Porównanie wartości generowanych przez model z danymi z obserwacji wykazało lepszą dokładność prognozowania opadów za pomocą modelu wavelet-SARIMA-ANN niż za pomocą modeli wavelet-ANN i wavelet-SARIMA.
    Źródło:
    Journal of Water and Land Development; 2016, 28; 27-36
    1429-7426
    2083-4535
    Pojawia się w:
    Journal of Water and Land Development
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies