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 "neuro-fuzzy inference system" wg kryterium: Temat

  Lista filtrów

Dostawca treści

Wyrównaj
    Wyświetlanie 1-11 z 11
    Tytuł:
    Forecasting the Flow Coefficient of the River Basin Using Adaptive Fuzzy Inference System and Fuzzy SMRGT Method
    Autorzy:
    Gunal, Ayse Yeter
    Mehdi, Ruya
    Powiązania:
    https://bibliotekanauki.pl/articles/27323840.pdf
    Data publikacji:
    2023
    Wydawca:
    Polskie Towarzystwo Inżynierii Ekologicznej
    Tematy:
    ANFIS
    adaptive neuro-fuzzy inference system
    SMRGT
    flow coefficient
    fuzzy logic
    surface water
    Opis:
    In hydrology and water resources engineering, predicting the flow coefficient is a crucial task that helps estimate the precipitation resulting in a surface flow. Accurate flow coefficient prediction is essential for efficient water management, flood control strategy development, and water resource planning. This investigation calculated the flow coefficient using models based on Simple Membership functions and fuzzy Rules Generation Technique (SMRGT) and an Adaptive Neuro-Fuzzy Inference System (ANFIS) model. The fuzzy logic methods are used to model the intricate connections between the inputs and the output. Statistical parameters such as the coefficient of determination (R2), the root mean square error (RMSE), the mean absolute error (MAE), and the mean absolute percentage error (MAPE) were used to evaluate the performance of models. The statistical tests outcome for the SMRGT model was (RMSE:0.056, MAE:1.92, MAPE:6.88, R2:0.996), and for the ANFIS was (RMSE:0.96, MAE:2.703, MAPE:19.97, R2:0.8038). According to the findings, the SMRGT, a physics-based model, exhibited superior accuracy and reliability in predicting the flow coefficient compared to ANFIS. This is attributed to the SMRGT’s ability to integrate expert knowledge and domain-specific information, rendering it a viable solution for diverse issues.
    Źródło:
    Journal of Ecological Engineering; 2023, 24, 7; 96--107
    2299-8993
    Pojawia się w:
    Journal of Ecological Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prediction of littoral drift with adaptive neuro-fuzzy inference system
    Ocena dryfu morskiego z wykorzystaniem systemu ANFIS [Adaptive Neuro-Fuzzy Inference System]
    Autorzy:
    Sabet, M S
    Naseri, M.A.
    Sabet, H.S.
    Powiązania:
    https://bibliotekanauki.pl/articles/81613.pdf
    Data publikacji:
    2010
    Wydawca:
    Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. Wydawnictwo Szkoły Głównej Gospodarstwa Wiejskiego w Warszawie
    Tematy:
    littoral sand drift
    coastal zone
    adaptive neuro-fuzzy inference system
    validation
    physical process
    database
    Opis:
    The amount of sand moving parallel to a coastline forms a prerequisite for many harbor design projects. Such information is currently obtained through various empirical formulae. Despite so many works in the past, an accurate and reliable estimation of the rate of sand drift has still remained a problem. It is a non-linear process and can be described by chaotic time-series. The current study addresses this issue through the use of Adaptive Neuro-Fuzzy Inference System (ANFIS). ANFIS is about taking an initial fuzzy inference system (FIS) and tuning it with a back propagation algorithm based on the collection of input-output data. ANFIS was developed to predict the sand drift from a variety of causative variables. The structure and algorithm of ANFIS for predicting the rate of sand drift is described. The Adaptive Neuro-Fuzzy Inference System was validated by confi rming its consistency with a database of specifi ed physical process.
    W artykule przedstawiono adaptację systemu ANFIS do oceny wielkości dryfu fal piaskowych poruszających się wzdłuż wybrzeża morskiego. Pomimo wielu informacji o charakterze ilościowym oraz jakościowym zebranych w badaniach terenowych oraz opracowanych wzorów empirycznych opisujących analizowane zjawisko, autorzy widzą potrzebę stosowania symulacji zjawiska za pomocą metod numerycznych. Takie możliwości daje omówiony w pracy system ANFIS.
    Źródło:
    Annals of Warsaw University of Life Sciences - SGGW. Land Reclamation; 2010, 42, 1; 159-167
    0208-5771
    Pojawia się w:
    Annals of Warsaw University of Life Sciences - SGGW. Land Reclamation
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Modelling of Plastic Flow Behaviour of Metals in the Hot Deformation Process Using Artificial Intelligence Methods
    Autorzy:
    Mrzygłód, Barbara
    Łukaszek-Sołek, Aneta
    Olejarczyk-Wożeńska, Izabela
    Pasierbiewicz, Karolina
    Powiązania:
    https://bibliotekanauki.pl/articles/2174622.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    hot deformation
    Inconel 718
    rheological model
    forming process
    neuro-fuzzy inference system
    odkształcanie na gorąco
    model reologiczny
    proces formowania
    Opis:
    Hot deformation of metals is a widely used process to produce end products with the desired geometry and required mechanical properties. To properly design the hot forming process, it is necessary to examine how the tested material behaves during hot deformation. Model studies carried out to characterize the behaviour of materials in the hot deformation process can be roughly divided into physical and mathematical simulation techniques. The methodology proposed in this study highlights the possibility of creating rheological models for selected materials using methods of artificial intelligence, such as neuro-fuzzy systems. The main goal of the study is to examine the selected method of artificial intelligence to know how far it is possible to use this method in the development of a predictive model describing the flow of metals in the process of hot deformation. The test material was Inconel 718 alloy, which belongs to the family of austenitic nickel-based superalloys characterized by exceptionally high mechanical properties, physicochemical properties and creep resistance. This alloy is hardly deformable and requires proper understanding of the constitutive behaviour of the material under process conditions to directly enable the optimization of deformability and, indirectly, the development of effective shaping technologies that can guarantee obtaining products with the required microstructure and desired final mechanical properties. To be able to predict the behaviour of the material under non-experimentally tested conditions, a rheological model was developed using the selected method of artificial intelligence, i.e. the Adaptive Neuro-Fuzzy Inference System (ANFIS). The source data used in these studies comes from a material experiment involving compression of the tested alloy on a Gleeble 3800 thermo-mechanical simulator at temperatures of 900, 1000, 1050, 1100, 1150oC with the strain rates of 0.01 - 100 s-1 to a constant true strain value of 0.9. To assess the ability of the developed model to describe the behaviour of the examined alloy during hot deformation, the values of yield stress determined by the developed model (ANFIS) were compared with the results obtained experimentally. The obtained results may also support the numerical modelling of stress-strain curves.
    Źródło:
    Archives of Foundry Engineering; 2022, 22, 3; 41--52
    1897-3310
    2299-2944
    Pojawia się w:
    Archives of Foundry Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Zastosowanie ANFIS w analizie wyników badań gruntów
    Application of the ANFIS to analysis of results from soil testings
    Autorzy:
    Daniszewska, E
    Powiązania:
    https://bibliotekanauki.pl/articles/391234.pdf
    Data publikacji:
    2014
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    adaptacyjny system neuronowo-rozmyty
    logika rozmyta
    trójosiowe badanie gruntu
    prędkość ścinania
    adaptive neuro-fuzzy inference system
    fuzzy logic
    soil triaxial testing
    shear speed
    Opis:
    Adaptacyjny system wnioskowania neuronowo-rozmytego ANFIS (Adaptive Neuro-Fuzzy Inference System) w programie Matlab posłużył modelowaniu i określaniu relacji między prędkością ścinania a parametrami wytrzymałościowymi gruntu. Sprawdzono możliwości i umiejętności narzędzia ANFIS w interpretacji wyników badań trójosiowego ściskania iłów pobranych z okolic Olsztyna. Model neuronowo-rozmyty został zbudowany na podstawie zbioru wartości, którymi dysponowano po szeregu badań eksperymentalnych, łącznie z wartościami parametrów wytrzymałościowych gruntu na ścinanie. Baza danych wykorzystana do modelowania neuronowo-rozmytego składa się z 6 różnych parametrów gruntowych dla każdej z 12 prędkości ścinania stosowanych podczas badań trójosiowych. Umiejętność uczenia zweryfikowano na bazie danych testowych - model neuronowo-rozmyty zbudowany został z zestawów szkoleniowych, a dokładność została zweryfikowana przez zestawy testów, z którymi model miał do czynienia po raz pierwszy. Wyniki z modelu ANFIS nie odbiegały znacznie od tych, które zostały uzyskane bezpośrednio z badań fizycznych. System ANFIS okazał się narzędziem niezwykle uniwersalnym i nieskomplikowanym w obsłudze. Pozwolił uwzględnić wieloaspektowość wzajemnych relacji parametrów gruntowych.
    The article was analyzed in order to test applicability and capability of the ANFIS tool used for interpretation of results of triaxial shear tests on loamy soils sampled near Olsztyn. The ANFIS system in the Matlab software programme was used to model and determine relationships between the shear stress and soil resistance parameters in a triaxial shear test apparatus. It has been demonstrated that the achieved shear strength parameters are significantly affected by the variables tested during the triaxial experiments and physical parameters of a given soil sample, but also by the loading increment rate during the tests. It is extremely important to adjust the rate of loading during a test according to the preliminary characterization of a tested ground sample so as to have some control over the obtained ground strength parameters. The neuro-fuzzy model has been constructed based on a set of values obtained after a series of experimental tests, including values of ground shear strength parameters. The database used for the neuro-fuzzy modelling consisted of 6 different ground parameters for each of the 12 shear stress rates applied during the triaxial tests. The learnability was verified on a database composed of the test results – a neuro-fuzzy model was built from learning sets and its accuracy was verified by sets of tests to which the model was applied for the first time. The results obtained from the ANFIS model did not diverge substantially from the ones obtained directly by performing the physical tests. The ANFIS proved to be highly universal and easy to operate. It accounted for the multi-faceted nature of interrelationships between ground parameters.
    Źródło:
    Budownictwo i Architektura; 2014, 13, 2; 7-15
    1899-0665
    Pojawia się w:
    Budownictwo i Architektura
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prediction of lightning density value tower based on Adaptive Neuro-fuzzy Inference System
    Autorzy:
    Said, Sri Mawar
    Nappu, Muhammad Bachtiar
    Asri, Andarini
    Utomo, Bayu Tri
    Powiązania:
    https://bibliotekanauki.pl/articles/1841146.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    adaptive neuro-fuzzy inference system
    lightning density prediction tower
    Transmission Line Arrester
    adaptacyjny system wnioskowania neurorozmytego
    wieża prognozowania gęstości piorunów
    ogranicznik linii transmisyjnej
    Opis:
    Lightning is one of the causes of transmission disorders and natural phenomena that cannot be avoided. The South Sulawesi region is located close to the equator and has a high lightning density. This condition results in lightning susceptibility of distur- bances to electrical system lines, especially in high-voltage airlines and substations. An Adaptive Neuro-Fuzzy Inference System (ANFIS) will show the Root Mean Square Error (RMSE) based on the membership function type. This journal is to predict the value of the transmission tower lightning density using the ANFIS method. The value of the lightning strike density index can later be determined based on ANFIS predictions. Analysis of the value calculation system of structural lightning strikes in the South Sulawesi region of the Sungguminasa-Tallasa route can be categorized as three characteristics lightning density (Nd). The calculation system results for the value of structural lightning struck in the South Sulawesi region and validated between manual calculations and ANFIS with an average percentage of 0.0554%.
    Źródło:
    Archives of Electrical Engineering; 2021, 70, 3; 499-511
    1427-4221
    2300-2506
    Pojawia się w:
    Archives of Electrical Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Intelligent Retail Forecasting System for New Clothing Products Considering Stock-out
    Inteligentny system przewidywania sprzedaży detalicznej nowych produktów odzieżowych uwzględniający wyprzedaż
    Autorzy:
    Huang, H.
    Liu, Q.
    Powiązania:
    https://bibliotekanauki.pl/articles/232823.pdf
    Data publikacji:
    2017
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
    Tematy:
    intelligent forecasting system
    demand estimation
    stock out
    adaptive neuro fuzzy inference system
    new clothing product
    inteligentny system prognozowania
    prognozowanie popytu
    system adaptacyjno neuronowy
    dane rozproszone
    selekcja danych
    Opis:
    Improving the accuracy of forecasting is crucial but complex in the clothing industry, especially for new products, with the lack of historical data and a wide range of factors affecting demand. Previous studies more concentrate on sales forecasting rather than demand forecasting, and the variables affecting demand remained to be optimized. In this study, a two-stage intelligent retail forecasting system is designed for new clothing products. In the first stage, demand is estimated with original sales data considering stock-out. The adaptive neuro fuzzy inference system (ANFIS) is introduced into the second stage to forecast demand. Meanwhile a data selection process is presented due to the limited data of new products. The empirical data are from a Canadian fast-fashion company. The results reveal the relationship between demand and sales, demonstrate the necessity of integrating the demand estimation process into a forecasting system, and show that the ANFIS-based forecasting system outperforms the traditional ANN technique.
    Poprawa dokładności prognozowania jest bardzo istotna, ale skomplikowana w przypadku przemysłu odzieżowego, zwłaszcza dla nowych produktów oraz szerokiego zakresu czynników wpływających na popyt. Wcześniejsze badania bardziej koncentrowały się na prognozowaniu sprzedaży, niż prognozowaniu popytu. Zmienne wpływające na popyt powinny zostać zoptymalizowane. W tym badaniu opracowano dwustopniowy inteligentny system prognozowania sprzedaży detalicznej przeznaczony dla nowych produktów odzieżowych. W pierwszym etapie, popyt jest określony za pośrednictwem oryginalnych danych dotyczących sprzedaży. Adaptacyjny neuronowy system danych rozproszonych (ANFIS) jest wprowadzony w drugim etapie do prognozowania popytu. Jednocześnie prezentowany jest proces selekcji danych. Dane empiryczne pochodzą z kanadyjskiej firmy.
    Źródło:
    Fibres & Textiles in Eastern Europe; 2017, 1 (121); 10-16
    1230-3666
    2300-7354
    Pojawia się w:
    Fibres & Textiles in Eastern Europe
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prediction of backbreak in open pit blasting by Adaptive Neuro-Fuzzy Inference System
    Prognozowanie spękań skał przy pracach strzałowych w kopalniach odkrywkowych przy użyciu metod neuronowych i wnioskowania rozmytego (ANFIS) zastosowanych w modelu adaptywnym
    Autorzy:
    Bazzazi, A. A.
    Esmaeili, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/219044.pdf
    Data publikacji:
    2012
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    prace strzałowe
    pękanie skał
    system wnioskowania wykorzystujący elementy sieci neuronowych i logiki rozmytej
    kopalnia rud żelaza Sangan
    blasting
    backbreak
    adaptive neuro-fuzzy inference system
    Sangan iron mine
    Opis:
    Adaptive neuro-fuzzy inference system (ANFIS) is powerful model in solving complex problems. Since ANFIS has the potential of solving nonlinear problem and can easily achieve the input-output mapping, it is perfect to be used for solving the predicting problem. Backbreak is one of the undesirable effects of blasting operations causing instability in mine walls, falling down the machinery, improper fragmentation and reduction in efficiency of drilling. In this paper, ANFIS was applied to predict backbreak in Sangan iron mine of Iran. The performance of the model was assessed through the root mean squared error (RMSE), the variance account for (VAF) and the correlation coefficient (R2) computed from the measured of backbreak and model-predicted values of the dependent variables. The RMSE, VAF, R2 indices were calculated 0.6, 0.94 and 0.95 for ANFIS model. As results, these indices revealed that the ANFIS model has very good prediction performance.
    Adaptywny system wnioskowania wykorzystujący elementy sieci neuronowych i logiki rozmytej (ANFIS) stanowi potężny narzędzie do rozwiązywania złożonych problemów. Ponieważ model ANFIS może być wykorzystywany do rozwiązywania problemów nieliniowych i umożliwia wygodne przedstawienie problemu w formie: wejście - wyjście, jest idealnym narzędziem do rozwiązywania problemów związanych z prognozowaniem. Pękanie skał w odkrywce jest jednym z niekorzystnych skutków prowadzenia prac strzałowych, powoduje niestabilność ścian, uszkodzenia maszyn i urządzeń, nieodpowiednią fragmentację skał oraz prowadzi do obniżenia efektywności wierceń. W pracy przedstawiono zastosowanie systemu ANFIS do prognozowania pękań skał w kopalni rud żelaza w Sangan (Iran). Działanie modelu zbadano na podstawie wartości błędu średniokwadratowego (RMSE), wariancji (VAF) i współczynnika korelacji (R2) obliczonego na podstawie pomiarów pęknięć skał i wartości uzyskanych z modelowania. Wartości wskaźników RMSE, VAF i R2 obliczonych przy użyciu modelu ANFIS wynoszą odpowiednio 0.6, 0.94 i 0.95. Wielkości te wyraźnie potwierdzają wysoką skuteczność modelu.
    Źródło:
    Archives of Mining Sciences; 2012, 57, 4; 933-943
    0860-7001
    Pojawia się w:
    Archives of Mining Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A class of neuro-computational methods for assamese fricative classification
    Autorzy:
    Patgiri, C.
    Sarma, M.
    Sarma, K. K.
    Powiązania:
    https://bibliotekanauki.pl/articles/91763.pdf
    Data publikacji:
    2015
    Wydawca:
    Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
    Tematy:
    neuro-computational classifier
    fricative phonemes
    Assamese language
    Recurrent Neural Network
    RNN
    neuro fuzzy classifier
    linear prediction cepstral coefficients
    LPCC
    self-organizing map
    SOM
    adaptive neuro-fuzzy inference system
    ANFIS
    klasyfikator neuronowy
    klasyfikator neuronowo rozmyty
    sieć Kohonena
    Opis:
    In this work, a class of neuro-computational classifiers are used for classification of fricative phonemes of Assamese language. Initially, a Recurrent Neural Network (RNN) based classifier is used for classification. Later, another neuro fuzzy classifier is used for classification. We have used two different feature sets for the work, one using the specific acoustic-phonetic characteristics and another temporal attributes using linear prediction cepstral coefficients (LPCC) and a Self Organizing Map (SOM). Here, we present the experimental details and performance difference obtained by replacing the RNN based classifier with an adaptive neuro fuzzy inference system (ANFIS) based block for both the feature sets to recognize Assamese fricative sounds.
    Źródło:
    Journal of Artificial Intelligence and Soft Computing Research; 2015, 5, 1; 59-70
    2083-2567
    2449-6499
    Pojawia się w:
    Journal of Artificial Intelligence and Soft Computing Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Estimation of discharge correction factor of modified Parshall flume using ANFIS and ANN
    Autorzy:
    Saran, D.
    Tiwari, N. K.
    Powiązania:
    https://bibliotekanauki.pl/articles/1818494.pdf
    Data publikacji:
    2020
    Wydawca:
    Stowarzyszenie Komputerowej Nauki o Materiałach i Inżynierii Powierzchni w Gliwicach
    Tematy:
    Discharge Correction Factor
    Adaptive Neuro-Fuzzy Inference System
    artificial neural network
    Multiple Non-linear Regression
    parshall flumes
    współczynnik korygujący wyładowania
    adaptacyjny system neuronowo-rozmyty
    sztuczna sieć neuronowa
    regresja wielokrotna nieliniowa
    Opis:
    Purpose: To evaluate and compare the capability of ANFIS (Adaptive Neuro-Fuzzy-Inference System), ANN (Artificial Neural Network), and MNLR (Multiple Non-linear Regression) techniques in the estimation and formulation of Discharge Correction Factor (Cd) of modified Parshall flumes as based on linear relations and errors between input and output data. Design/methodology/approach: Acknowledging the necessity of further research in this field, experiments were conducted in the Hydraulics Laboratory of Civil Engineering Department, National Institute of Technology, Kurukshetra, India. The Parshall flume characteristics, associated longitudinal slopes and the discharge passing through the flume were varied. Consequent water depths at specific points in Parshall flumes were noted and the values of Cd were computed. In this manner, a data set of 128 observations was acquired. This was bifurcated arbitrarily into a training dataset consisting of 88 observations and a testing dataset consisting of 40 observations. Models developed using the training dataset were checked on the testing dataset for comparison of the performance of each predictive model. Further, an empirical relationship was formulated establishing Cd as a function of flume characteristics, longitudinal slope, and water depth at specific points using the MNLR technique. Moreover, Cd was estimated using soft computing tools; ANFIS and ANN. Finally, a sensitivity analysis was done to find out the flume variable having the greatest influence on the estimation of Cd. Findings: The predictive accuracy of the ANN-based model was found to be better than the model developed using ANFIS, followed by the model developed using the MNLR technique. Further, sensitivity analysis results indicated that primary depth reading (Ha) as input parameter has the greatest influence on the prediction capability of the developed model. Research limitations/implications: Since the soft computing models are data based learning, hence the prediction capability of these models may dwindle if data is selected beyond the current data range, which is based on the experiments conducted under specific conditions. Further, since the present study has faced time and facility constraints, hence there is still a huge scope of research in this field. Different lateral slopes, combined lateral- longitudinal slopes, and more modified Parshall flume models of larger sizes can be added to increase the versatility of the current research. Practical implications: Cd of modified Parshall flumes can be predicted using the ANN- based prediction model more accurately as compared to other considered techniques. Originality/value: The comparative analysis of prediction models, as well as the formulation of relation, has been conducted in this study. In all the previous works, little to no soft computing techniques have been applied for the analysis of Parshall flumes. Even the regression techniques have been applied only on Parshall flumes of standard sizes. However, this paper includes not only Parshall flume of standard size but also a modified Parshall flume in its pursuit of predicting Cd with the help of ANN and ANFIS based prediction models along with MNLR technique.
    Źródło:
    Archives of Materials Science and Engineering; 2020, 105, 1; 17--30
    1897-2764
    Pojawia się w:
    Archives of Materials Science and Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Implication-Based Neuro-Fuzzy Architectures
    Autorzy:
    Rutkowska, D.
    Nowicki, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/911144.pdf
    Data publikacji:
    2000
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    system rozmyty
    implikacja rozmyta
    wnioskowanie rozmyte
    neuro-fuzzy systems
    fuzzy implications
    fuzzy inference
    Mamdani approach
    logical approach
    connectionist architectures
    Opis:
    This paper presents connectionist multi-layer architectures of neuro-fuzzy systems based on various fuzzy implications. The well-known Mamdani approach (constructive) and the logical approach (destructive) are considered. Two kinds of architectures, a simpler and a more general one, are distinguished. Examples of application to classification and control problems are provided.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2000, 10, 4; 675-701
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A hybrid model for modelling the salinity of the Tafna River in Algeria
    Hybrydowy model służący modelowaniu zasolenia rzeki Tafna w Algierii
    Autorzy:
    Houari, Khemissi
    Hartani, Tarik
    Remini, Boualem
    Lefkir, Abdelouhab
    Abda, Leila
    Heddam, Salim
    Powiązania:
    https://bibliotekanauki.pl/articles/292367.pdf
    Data publikacji:
    2019
    Wydawca:
    Instytut Technologiczno-Przyrodniczy
    Tematy:
    Adaptive-Network-Based Fuzzy Inference System (ANFIS)
    hybrid model
    neuro-fuzzy
    salinity
    salt flow
    Tafna River
    model hybrydowy
    przepływ soli
    rzeka Tafna
    system neuronowo-rozmyty
    system wnioskowania rozmytego (ANFIS)
    zasolenie
    Opis:
    In this paper, the capacity of an Adaptive-Network-Based Fuzzy Inference System (ANFIS) for predicting salinity of the Tafna River is investigated. Time series data of daily liquid flow and saline concentrations from the gauging station of Pierre du Chat (160801) were used for training, validation and testing the hybrid model. Different methods were used to test the accuracy of our results, i.e. coefficient of determination (R2), Nash–Sutcliffe efficiency coefficient (E), root of the mean squared error (RSR) and graphic techniques. The model produced satisfactory results and showed a very good agreement between the predicted and observed data, with R2 equal (88% for training, 78.01% validation and 80.00% for testing), E equal (85.84% for training, 82.51% validation and 78.17% for testing), and RSR equal (2% for training, 10% validation and 49% for testing).
    W pracy badano zdolność systemu wnioskowania rozmytego opartego na adaptacyjnej sieci (ANFIS) do przewidywania zasolenia rzeki Tafna. Do trenowania, oceny i testowania modelu hybrydowego wykorzystano serie pomiarów dobowych przepływów płynu i stężeń soli ze stacji pomiarowej w Pierre du Chat (160801). Dokładność wyników testowano za pomocą: współczynnika determinacji (R2), współczynnika wydajności Nasha–Sutcliffe’a (E), pierwiastka średniego błędu kwadratowego (RSR) i technik graficznych. Model dał zadowalające wyniki i wykazywał dobrą zgodność między danymi obserwowanymi a przewidywanymi: R2 (88% w przypadku uczenia sieci, 78.01% walidacji i 80.00% testowania), E (85.84% w przypadku uczenia sieci, 82.51% walidacji i 78.17% testowania) i RSR (2% w przypadku uczenia sieci, 10% walidacji i 49% testowania).
    Źródło:
    Journal of Water and Land Development; 2019, 40; 127-135
    1429-7426
    2083-4535
    Pojawia się w:
    Journal of Water and Land Development
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-11 z 11

      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