論文の概要: Integration of neural network and fuzzy logic decision making compared
with bilayered neural network in the simulation of daily dew point
temperature
- arxiv url: http://arxiv.org/abs/2202.12256v1
- Date: Wed, 23 Feb 2022 14:25:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-26 09:59:45.077744
- Title: Integration of neural network and fuzzy logic decision making compared
with bilayered neural network in the simulation of daily dew point
temperature
- Title（参考訳）: 日露点温度シミュレーションにおけるニューラルネットワークと二層ニューラルネットワークとの比較によるファジィ論理決定の統合
- Authors: Guodao Zhang, Shahab S. Band, Sina Ardabili, Kwok-Wing Chau, Amir
Mosavi
- Abstract要約: ドウ点温度(DPT)は、データ駆動方式を用いてシミュレートされる。
アーキテクチャのトレーニングには、様々な入力パターン、すなわち、T min、T max、T が使用される。
- 参考スコア（独自算出の注目度）: 0.8808021343665321
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this research, dew point temperature (DPT) is simulated using the
data-driven approach. Adaptive Neuro-Fuzzy Inference System (ANFIS) is utilized
as a data-driven technique to forecast this parameter at Tabriz in East
Azerbaijan. Various input patterns, namely T min, T max, and T mean, are
utilized for training the architecture whilst DPT is the model's output. The
findings indicate that, in general, ANFIS method is capable of identifying data
patterns with a high degree of accuracy. However, the approach demonstrates
that processing time and computer resources may substantially increase by
adding additional functions. Based on the results, the number of iterations and
computing resources might change dramatically if new functionalities are
included. As a result, tuning parameters have to be optimized inside the method
framework. The findings demonstrate a high agreement between results by the
data-driven technique (machine learning method) and the observed data. Using
this prediction toolkit, DPT can be adequately forecasted solely based on the
temperature distribution of Tabriz. This kind of modeling is extremely
promising for predicting DPT at various sites. Besides, this study thoroughly
compares the Bilayered Neural Network (BNN) and ANFIS models on various scales.
Whilst the ANFIS model is extremely stable for almost all numbers of membership
functions, the BNN model is highly sensitive to this scale factor to predict
DPT.
- Abstract（参考訳）: 本研究では,データ駆動方式を用いて露点温度(DPT)をシミュレーションする。
Adaptive Neuro-Fuzzy Inference System (ANFIS) は、アゼルバイジャン東部のタブリズでこのパラメータを予測するデータ駆動手法として利用されている。
様々な入力パターン、すなわちT min、T max、Tはアーキテクチャのトレーニングに使用され、DPTはモデルの出力である。
以上の結果から, anfis法は一般に高い精度でデータパターンを識別できることが示唆された。
しかし、このアプローチは、処理時間とコンピュータリソースが追加機能を追加することで大幅に増加することを示している。
結果に基づいて、新たな機能を含めれば、イテレーションやコンピューティングリソースの数が劇的に変化する可能性がある。
その結果、チューニングパラメータはメソッドフレームワーク内で最適化されなければなりません。
その結果,データ駆動手法(機械学習法)と観測データとの間には高い一致が認められた。
この予測ツールキットを用いて、DPTはTabrizの温度分布のみに基づいて適切に予測できる。
この種のモデリングは様々な場所でDPTを予測するために非常に有望である。
さらに,BNN(Bilayered Neural Network)モデルとANFISモデルを様々なスケールで徹底的に比較した。
ANFISモデルは、ほとんど全てのメンバーシップ関数に対して非常に安定であるが、BNNモデルは、DPTを予測するためにこのスケールファクターに非常に敏感である。
関連論文リスト
- An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。
本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。
本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
論文 参考訳（メタデータ） (2024-10-24T18:15:48Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - On the Predictive Accuracy of Neural Temporal Point Process Models for
Continuous-time Event Data [3.13468877208035]
時間的ポイントプロセス(TPP)は、非同期イベントシーケンスを連続的にモデル化するための標準的な数学的フレームワークとして機能する。
ニューラルネットワークのパラメトリゼーションを活用し、より柔軟で効率的なモデリングを提供するNeural TPPを提案する。
本研究では,最先端のニューラルTPPモデルの予測精度を系統的に評価する。
論文 参考訳（メタデータ） (2023-06-29T16:14:43Z) - 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) - Functional Neural Networks: Shift invariant models for functional data
with applications to EEG classification [0.0]
我々は、データのスムーズさを保ちながら不変な新しいタイプのニューラルネットワークを導入する:関数型ニューラルネットワーク(FNN)
そこで我々は,多層パーセプトロンと畳み込みニューラルネットワークを機能データに拡張するために,機能データ分析(FDA)の手法を用いる。
脳波(EEG)データの分類にFNNをうまく利用し,FDAのベンチマークモデルより優れていることを示す。
論文 参考訳（メタデータ） (2023-01-14T09:41:21Z) - A data filling methodology for time series based on CNN and (Bi)LSTM
neural networks [0.0]
イタリア・ボルツァーノの監視アパートから得られた時系列データギャップを埋めるための2つのDeep Learningモデルを開発した。
提案手法は, 変動するデータの性質を把握し, 対象時系列の再構成に優れた精度を示す。
論文 参考訳（メタデータ） (2022-04-21T09:40:30Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Parameter estimation for WMTI-Watson model of white matter using
encoder-decoder recurrent neural network [0.0]
本研究では,ラットおよびヒト脳のデータセット上でのNLLS,RNN法および多層パーセプトロン(MLP)の性能を評価する。
提案手法は,NLLSよりも計算時間を大幅に短縮できるという利点を示した。
論文 参考訳（メタデータ） (2022-03-01T16:33:15Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z)
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。