Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

A Hybrid Approach for Predicting River Runoff

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F15%3A86096537" target="_blank" >RIV/61989100:27240/15:86096537 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/61989100:27740/15:86096537 RIV/61989100:27730/15:86096537

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1007/978-3-319-21206-7_6" target="_blank" >http://dx.doi.org/10.1007/978-3-319-21206-7_6</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-319-21206-7_6" target="_blank" >10.1007/978-3-319-21206-7_6</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    A Hybrid Approach for Predicting River Runoff

  • Popis výsledku v původním jazyce

    Time series prediction has attracted attention of many researchers as well as practitioners from different fields and many approaches have been proposed. Traditionally, sliding window technique was employed to transform data first and then some learningmodels such as fuzzy neural networks were exploited for prediction. In order to improve the prediction performance, we propose an approach that combines chaotic theory, recurrent fuzzy neural network (RFNN), and K-means. In the past few decades, fuzzy neural networks have been proven to be a great method for modeling, characterizing and predicting many kinds of nonlinear hydrology time series data such as rainfall, water quality, and river runoff. Chaotic theory is a field of physics and mathematics, and having been used to solve many practical problems emerging from industrial practices. In our proposed approach, chaotic theory is firstly exploited to transformoriginal data to a new kind of data called phase space. Then, a novel hybrid

  • Název v anglickém jazyce

    A Hybrid Approach for Predicting River Runoff

  • Popis výsledku anglicky

    Time series prediction has attracted attention of many researchers as well as practitioners from different fields and many approaches have been proposed. Traditionally, sliding window technique was employed to transform data first and then some learningmodels such as fuzzy neural networks were exploited for prediction. In order to improve the prediction performance, we propose an approach that combines chaotic theory, recurrent fuzzy neural network (RFNN), and K-means. In the past few decades, fuzzy neural networks have been proven to be a great method for modeling, characterizing and predicting many kinds of nonlinear hydrology time series data such as rainfall, water quality, and river runoff. Chaotic theory is a field of physics and mathematics, and having been used to solve many practical problems emerging from industrial practices. In our proposed approach, chaotic theory is firstly exploited to transformoriginal data to a new kind of data called phase space. Then, a novel hybrid

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    IN - Informatika

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/ED1.1.00%2F02.0070" target="_blank" >ED1.1.00/02.0070: Centrum excelence IT4Innovations</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2015

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Advances in intelligent systems and computing. Volume 370

  • ISBN

    978-3-319-21205-0

  • ISSN

    2194-5357

  • e-ISSN

  • Počet stran výsledku

    11

  • Strana od-do

    61-71

  • Název nakladatele

    Springer

  • Místo vydání

    Heidelberg

  • Místo konání akce

    Ostrava

  • Datum konání akce

    29. 6. 2015

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku