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 "neural model quality" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Forecasting nitrate concentration in groundwater using artificial neural network and linear regression models
    Autorzy:
    Zare, A.
    Bayat, V.
    Daneshkare, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/25733.pdf
    Data publikacji:
    2011
    Wydawca:
    Polska Akademia Nauk. Instytut Agrofizyki PAN
    Tematy:
    nitrate concentration
    ground water
    artificial neural network
    linear regression model
    prediction
    regression
    Iran
    quality index
    Źródło:
    International Agrophysics; 2011, 25, 2
    0236-8722
    Pojawia się w:
    International Agrophysics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Genetic algorithms and neural networks for solving water quality model of the Egyptian research reactor
    Autorzy:
    El-Sayed Wahed, M.
    Ibrahim, W. Z.
    Effat, A. M.
    Powiązania:
    https://bibliotekanauki.pl/articles/148150.pdf
    Data publikacji:
    2009
    Wydawca:
    Instytut Chemii i Techniki Jądrowej
    Tematy:
    genetic algorithm
    neural networks
    model calibration
    water distribution system
    water quality model
    Opis:
    The second Egyptian research reactor ETRR-2 became critical on 27th November, 1997. The National Center of Nuclear Safety and Radiation Control (NCNSRC) has the responsibility for the evaluation and assessment of safety of this reactor. Modern managements of water distribution system (WDS) need water quality models that are able to accurately predict the dynamics of water quality variations within the distribution system environment. Before water quality models can be applied to solve system problems, they should be calibrated. The purpose of this paper is to present an approach which combines both macro and detailed models to optimize the water quality parameters. For an efficient search through the solution space, we use a multi-objective genetic algorithm which allows us to identify a set of Pareto optimal solutions providing the decision maker with a complete spectrum of optimal solutions with respect to the various targets. This new combinative algorithm uses the radial basis function (RBF) metamodeling as a surrogate to be optimized for the purpose of decreasing the times of time-consuming water quality simulation and can realize rapidly the calibration of pipe wall reaction coefficients of chlorine model of large-scaled WDS.
    Źródło:
    Nukleonika; 2009, 54, 4; 239-245
    0029-5922
    1508-5791
    Pojawia się w:
    Nukleonika
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Predicting oil prices
    Prognozowanie cen ropy naftowej
    Autorzy:
    Ejdys, J.
    Halicka, K.
    Winkowski, C.
    Powiązania:
    https://bibliotekanauki.pl/articles/256449.pdf
    Data publikacji:
    2014
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Technologii Eksploatacji - Państwowy Instytut Badawczy
    Tematy:
    forecasting
    forecast quality
    price
    crude oil
    Holt-Winters model
    artificial neural networks
    prognozowanie
    jakość prognozy
    cena
    ropa naftowa
    model Holta-Wintersa
    sztuczna sieć neuronowa
    Opis:
    The purpose of this article is the use of artificial intelligence methods and exponential smoothing methods to determine the short-term forecast of BRENT oil prices. Another important objective of the research is to conduct a comparative analysis of the quality of the forecasts and make recommendations concerning the constructed forecasting models. Historical data used in this study came from the London Stock Exchange and covered the period from January 2012 to April 2013. The selection of forecasting models was based on the visual decomposition of the time series. The comparative analysis of the quality of the forecasts was carried out, inter alia, on the basis of such measures as mean error (ME), mean absolute error (MAE), root of mean squared error (RMS), mean relative error (MAPE), and the relative error (APE).
    Celem niniejszego artykułu jest zastosowanie metod sztucznej inteligencji oraz metod wygładzania wykładniczego do wyznaczenia krótkookresowej prognozy ceny ropy naftowej BRENT. Kolejnym istotnym celem badań jest przeprowadzenie analizy porównawczej jakości otrzymanych prognoz i dokonanie rekomendacji zbudowanych modeli prognostycznych. Dane historyczne wykorzystane w niniejszym badaniu pochodziły z giełdy London Stock Exchange i obejmowały okres od stycznia 2012 r. do kwietnia 2013 r. Wyboru modeli prognostycznych dokonano na podstawie wizualnej dekompozycji szeregu czasowego. Analiza porównawcza jakości otrzymanych prognoz została przeprowadzona między innymi na podstawie takich miar jak średni błąd (ME), średni bezwzględny błąd (MAE), pierwiastek ze średniego kwadratowego błędu (RMS), średni względny błąd (MAPE) oraz względny błąd (APE).
    Źródło:
    Problemy Eksploatacji; 2014, 1; 5-13
    1232-9312
    Pojawia się w:
    Problemy Eksploatacji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The Influence of the Artificial Neural Network type on the quality of learning on the Day-Ahead Market model at Polish Power Exchange joint-stock company
    Autorzy:
    Ruciński, Dariusz
    Powiązania:
    https://bibliotekanauki.pl/articles/1819257.pdf
    Data publikacji:
    2019
    Wydawca:
    Uniwersytet Przyrodniczo-Humanistyczny w Siedlcach
    Tematy:
    Perceptron Artificial Neural Network
    Radial Artificial Neural Network
    Recursive Artificial Neural Network
    neural model quality
    Day-Ahead Market
    Polish Power Exchange
    Mean square error
    determination index
    Opis:
    The work contains the results of the Day-Ahead Market modeling research at Polish Power Exchange taking into account the numerical data on the supplied and sold electricity in selected time intervals from the entire period of its operation (from July 2002 to June 2019). Market modeling was carried out based on three Artificial Neural Network models, ie: Perceptron Artificial Neural Network, Recursive Artificial Neural Network, and Radial Artificial Neural Network. The examined period of the Day-Ahead Market operation on the Polish Power Exchange was divided into sub-periods of various lengths, from one month, a quarter, a half a year to the entire period of the market's operation. As a result of neural modeling, 1,191 models of the Market system were obtained, which were assessed according to the criterion of the least error MSE and the determination index R2.
    Źródło:
    Studia Informatica : systems and information technology; 2019, 1-2(23); 77--93
    1731-2264
    Pojawia się w:
    Studia Informatica : systems and information technology
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      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