論文の概要: Prediction of Wind Speed Using Artificial Neural Networks and ANFIS
Methods (Observation Buoy Example)
- arxiv url: http://arxiv.org/abs/2104.00538v1
- Date: Mon, 29 Mar 2021 19:01:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-02 13:18:25.816733
- Title: Prediction of Wind Speed Using Artificial Neural Networks and ANFIS
Methods (Observation Buoy Example)
- Title（参考訳）: ニューラルネットワークとanfis法を用いた風速予測(観測ブイ例)
- Authors: Inan Timur, Baba Ahmet Fevzi
- Abstract要約: 風速推定は人工ニューラルネットワーク(ANN)と適応型人工ファジィニューラルネットワーク(ANFIS)を用いて計算される。
提案したANNは,3層,50ニューロン,6入力,1出力の人工ニューラルネットワークのAuto Regressive with external Input (NARX)型である。
ANFISシステムは、入力ごとに6つの入力、1つの出力、3つのメンバーシップ機能(MF)を備えたファジィ推論システムです。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimation of the wind speed plays an important role in many issues such as
route determination of ships, efficient use of wind roses, and correct planning
of agricultural activities. In this study, wind velocity estimation is
calculated using artificial neural networks (ANN) and adaptive artificial
neural fuzzy inference system (ANFIS) methods. The data required for estimation
was obtained from the float named E1M3A, which is a float inside the POSEIDON
float system. The proposed ANN is a Nonlinear Auto Regressive with External
Input (NARX) type of artificial neural network with 3 layers, 50 neurons, 6
inputs and 1 output. The ANFIS system introduced is a fuzzy inference system
with 6 inputs, 1 output, and 3 membership functions (MF) per input. The
proposed systems were trained to make wind speed estimates after 3 hours and
the data obtained were obtained and the successes of the systems were revealed
by comparing the obtained values with real measurements. Mean Squarred Error
(MSE) and the regression between the predictions and expected values (R) were
used to evaluate the success of the estimation values obtained from the
systems. According to estimation results, ANN achieved 2.19 MSE and 0.897 R
values in training, 2.88 MSE and 0.866 R values in validation, and 2.93 MSE and
0.857 R values in testing. ANFIS method has obtained 0.31634 MSE and 0.99 R
values
- Abstract（参考訳）: 風速の推定は、船舶の経路決定、風のバラの効率的な利用、農業活動の正しい計画といった多くの問題において重要な役割を果たす。
本研究では,ニューラルネットワーク(ANN)と適応型ニューラルネットワークファジィ推論システム(ANFIS)を用いて風速推定を行う。
推定に必要なデータは、ポセドンフロートシステム内のフロートであるE1M3Aというフロートから得られた。
提案するanは,外部入力(narx)型人工ニューラルネットワークの非線形オートレグレッシブであり,3層,50ニューロン,6入力,1出力を有する。
ANFISシステムは、入力毎に6つの入力、1つの出力、3つのメンバシップ関数(MF)を持つファジィ推論システムである。
提案手法は, 3時間後に風速推定を行うように訓練され, 得られたデータと実測値を比較し, システムの成功を明らかにした。
平均赤道誤差(MSE)と予測値と予測値との回帰(R)を用いて,システムから得られた推定値の成功を評価する。
評価結果によると、ANNはトレーニングで2.19MSEと0.897R、バリデーションで2.88MSEと0.866R、テストで2.93MSEと0.857Rを達成した。
ANFIS法は0.31634 MSEと0.99 R値を得た
関連論文リスト
- SEF: A Method for Computing Prediction Intervals by Shifting the Error Function in Neural Networks [0.0]
本稿では,このカテゴリに属する新しい手法としてSEF(Shifting the Error Function)法を提案する。
提案手法では,1つのニューラルネットワークを3回トレーニングすることで,与えられた問題に対して対応する上境界と下限とを推定する。
この革新的なプロセスは、PIを効果的に生成し、不確実性定量化のための堅牢で効率的な技術をもたらす。
論文 参考訳（メタデータ） (2024-09-08T19:46:45Z) - Few-shot Learning using Data Augmentation and Time-Frequency
Transformation for Time Series Classification [6.830148185797109]
データ拡張による新しい数ショット学習フレームワークを提案する。
シークエンス・スペクトログラム・ニューラルネット(SSNN)も開発している。
本手法は,時系列分類における数ショット問題への対処法の適用性を実証する。
論文 参考訳（メタデータ） (2023-11-06T15:32:50Z) - Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。
我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。
我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文 参考訳（メタデータ） (2023-10-02T03:25:32Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Estimation of Sea State Parameters from Ship Motion Responses Using
Attention-based Neural Networks [0.6193838300896448]
本研究では, 船舶のピッチ, ヒーブ, ロール運動の時系列データから, 海の状態パラメータを推定するための新しいアテンションベースニューラルネットワーク(AT-NN)を適用した。
改良された最先端技術による提案手法により,MSEを23%,MAEを16%削減できることが実証された。
論文 参考訳（メタデータ） (2023-01-21T13:21:50Z) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2023-01-19T20:04:36Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - Automated Atrial Fibrillation Classification Based on Denoising Stacked
Autoencoder and Optimized Deep Network [1.7403133838762446]
心房細動(AFib)の発症率は世界中で増加傾向にある。
AFibのリスクを早期に検出するために,我々はディープニューラルネットワークに基づく自動検出システムを開発した。
Denoising Autoencoders (DAE) を用いて心電図信号を復調するエンド・ツー・エンドモデルを提案する。
論文 参考訳（メタデータ） (2022-01-26T21:45:48Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - Neural Networks and Value at Risk [59.85784504799224]
リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。
株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。
はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
論文 参考訳（メタデータ） (2020-05-04T17:41:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。