文献

J-GLOBAL ID：201802286715401156   整理番号：18A0132582

極端学習機械のアンサンブルを用いた海洋波高予測【Powered by NICT】

Ocean wave height prediction using ensemble of Extreme Learning Machine

著者 (3件)： Kumar N. Krishna (School of Electrical and Computer Engineering, National University of Singapore, 4 Engineering Drive 3, Singapore 117576, Singapore) ,  Savitha R. (Institute of Infocomm Research, Agency for Science, Technology and Research, 1 Fusionopolis way, Singapore 138632, Singapore) ,  Al Mamun Abdullah (School of Electrical and Computer Engineering, National University of Singapore, 4 Engineering Drive 3, Singapore 117576, Singapore)
資料名： Neurocomputing  (Neurocomputing)
巻： 277  ページ： 12-20  発行年： 2018年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 海洋運転活性の強い増加は,周期的および波動特性の正確な予測が必要である。通常,高い計算能力を必要とする複雑な数値モデルはこの予測に使用されている。これら数値モデルのこれらの課題を克服するために,本論文では,毎日の波高を予測するために極端学習機械(Ens ELM)のアンサンブルの使用を提案した。より優れた汎化性能を得るためにELMにおける初期化のランダム性を利用した。これはELMのアンサンブルを構築することによって,入力空間の異なる領域における初期化各ELMのパラメータであった。データセット中の各サンプルでは,データセット中の各サンプルのための最小平均二乗によるELMの出力は,その出力として報告されている。地形を変えることメキシコ,ブラジルと韓国湾地域からの10地点における毎日の波高を予測するEns ELMの性能を研究した。Ens ELMネットワークは2011年1月1日と2014年12月31日間のこれらの観測所で得られた過去波データと測定した大気条件を用いて訓練し,2015年1月1日と2015年8月30日間のこれらの観測所のデータを用いて試験した。本研究では,Ens ELMの性能は,ELM,オンライン逐次ELM(OS ELM),およびサポートベクトル回帰(SVR)と比較して評価した。本研究から,Ens ELMは日常波高予測におけるELM,OS-ELMとSVRを行うことを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 波動 ,  汎化 ,  *海洋 ,  大韓民国 ,  メキシコ合衆国 ,  *波高 ,  ブラジル連邦共和国 ,  *波浪 ,  *予測 ,  ネットワーク
準シソーラス用語： サポートベクトル回帰 ,  大気条件 ,  ランダム性 ,  数値モデル ,  *極度学習機械 , 【Automatic Indexing@JST】

著者キーワード (5件)： 波動特性 ,  SLFN(単一隠れ層フィードフォワード ,  極端学習機械 ,  SVR ,  OS-ELM

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 極端学習機械 ,  アンサンブル ,  海洋波 ,  予測