Sensor Data Air Pollution Prediction by Kernel Models

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F16%3A00462723" target="_blank" >RIV/67985807:_____/16:00462723 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1109/CCGrid.2016.80" target="_blank" >http://dx.doi.org/10.1109/CCGrid.2016.80</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/CCGrid.2016.80" target="_blank" >10.1109/CCGrid.2016.80</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Sensor Data Air Pollution Prediction by Kernel Models

Popis výsledku v původním jazyce

Kernel-based neural networks are popular machine learning approach with many successful applications. Regularization networks represent a their special subclass with solid theoretical background and a variety of learning possibilities. In this paper, we focus on single and multi-kernel units, in particular, we describe the architecture of a product unit network, and describe an evolutionary learning algorithm for setting its parameters including different kernels from a dictionary, and optimal split of inputs into individual products. The approach is tested on real-world data from calibration of air-pollution sensor networks, and the performance is compared to several different regression tools.

Název v anglickém jazyce

Sensor Data Air Pollution Prediction by Kernel Models

Popis výsledku anglicky

Kernel-based neural networks are popular machine learning approach with many successful applications. Regularization networks represent a their special subclass with solid theoretical background and a variety of learning possibilities. In this paper, we focus on single and multi-kernel units, in particular, we describe the architecture of a product unit network, and describe an evolutionary learning algorithm for setting its parameters including different kernels from a dictionary, and optimal split of inputs into individual products. The approach is tested on real-world data from calibration of air-pollution sensor networks, and the performance is compared to several different regression tools.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/GA15-18108S" target="_blank" >GA15-18108S: Modelová složitost neuronových, radiálních a jádrových sítí</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2016

Kód důvěrnosti údajů

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

Název statě ve sborníku

Proceedings og the 16th IEEE/ACM International Symposium on Cluster, Cloud, and Grid Computing

ISBN

978-1-5090-2453-7

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

666-673

Název nakladatele

IEEE CS

Místo vydání

Los Alamitos

Místo konání akce

Cartagena de Indias

Datum konání akce

16. 5. 2016

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000382529800091