FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W1838408443> ?p ?o ?g. }

• W1838408443 abstract "This paper evaluates the forecasting performance of two nonlinear models, k-nearest neighbor (kNN) and feed-forward neural networks (FFNN), using stream flow data of the Kizilirmak River, the longest river in Turkey. For the kNN model, the required parameters are delay time, number of nearest neigh- bors and embedding dimension. The optimal delay time was obtained with the mutual information function; the number of nearest neighbors was obtained with the optimization process that minimi- zes RMSE as a function of the neighbor number and the embedding dimension was obtained with the correlation dimension method. The correlation dimension of the Kizilirmak River was d = 2.702 , which was used in forming the input structure of the FFNN. The nearest integer above the correlation dimension (i.e., 3) provided the minimal number of required variables to characterize the system, and the maximum number of required variables was obtained with the nearest integer above the value 2 d + 1 (Takens, 1981) (i.e., 7). Two FFNN models were developed that incorporate 3 and 7 lagged discharge values and the predicted performance compared to that of the kNN model. The results showed that the kNN model was superior to the FFNN model in stream flow forecasting. However, as a result from the kNN model structure, the model failed in the prediction of peak values. Additionally, it was found that the correlation dimension (if it existed) could successfully be used in time series where the determina- tion of the input structure is difficult because of high inter-dependency, as in stream flow time series.  Resumen Este trabajo evalua el desempeno de pronostico de dos modelos no lineares, de metodo de clasificacion no parametrico kNN y de redes neuronales con alimentacion avanzada (FNNN), usando datos de flujo del rio Kizilirmak, el mayor de Turquia. Para el modelo kNN, los parametros requeridos son tiempo de retraso, numero de vecindarios cercanos y dimension de encrustamiento. El tiempo optimo de retraso fue obtenido con la funcion de informacion mutua; el numero de vecindarios cercanos fue obtenido con la optimizacion de procesos que minimizan el RMSE como una funcion del numero de vecindarios y la dimension de incrus- tacion fue obtenida con el metodo de dimension correlativa. La dimension de correlacion del rio Kizilirmak fue utilizado en la formacion de la estructura de ingreso de las redes FFNN. La integracion cercana sobre la dimension de correlacion proveyo el numero minimo de variables requeridas para caracterizar el sistema y el numero maximo de variables requeridas fue obtenido con el numero entero por encima del valor (Takens, 1981). Se desarrollaron dos modelos de redes FNNN que incorporan 3 y 7 valores de descargas retrasadas y el desempeno de prediccion comparado con el modelo kNN. Los resultados muestran que el modelo kNN fue superior al modelo de redes FFNN en el flujo de pronosticos. Sin embargo, como un resultado del modelo de estructura kNN, el modelo falla en los valores pico. Adicionalmente, se encontro que la dimension de correla- cion (de existir) podria ser usada eficientemente en series temporales donde la determinacion de estructura de ingreso es dificil por la gran interdependencia, como en las series temporales de flujo." @default.
• W1838408443 created "2016-06-24" @default.
• W1838408443 creator A5013799272 @default.
• W1838408443 date "2013-07-01" @default.
• W1838408443 modified "2023-09-24" @default.
• W1838408443 title "Nonlinear forecasting of stream flows using a chaotic approach and artificial neural networks" @default.
• W1838408443 cites W1549386224 @default.
• W1838408443 cites W1589475696 @default.
• W1838408443 cites W1922978183 @default.
• W1838408443 cites W1967386919 @default.
• W1838408443 cites W1970142637 @default.
• W1838408443 cites W1974609856 @default.
• W1838408443 cites W1984391316 @default.
• W1838408443 cites W1986656491 @default.
• W1838408443 cites W1991778637 @default.
• W1838408443 cites W1995065637 @default.
• W1838408443 cites W1995732412 @default.
• W1838408443 cites W1997453817 @default.
• W1838408443 cites W2011490939 @default.
• W1838408443 cites W2018386702 @default.
• W1838408443 cites W2018767964 @default.
• W1838408443 cites W2023850311 @default.
• W1838408443 cites W2024695206 @default.
• W1838408443 cites W2025867198 @default.
• W1838408443 cites W2033904036 @default.
• W1838408443 cites W2034099719 @default.
• W1838408443 cites W2036245535 @default.
• W1838408443 cites W2040704490 @default.
• W1838408443 cites W2041534329 @default.
• W1838408443 cites W2042818450 @default.
• W1838408443 cites W2050063558 @default.
• W1838408443 cites W2050354311 @default.
• W1838408443 cites W2055228777 @default.
• W1838408443 cites W2056578013 @default.
• W1838408443 cites W2060954725 @default.
• W1838408443 cites W2067936185 @default.
• W1838408443 cites W2078274447 @default.
• W1838408443 cites W2087829358 @default.
• W1838408443 cites W2090031994 @default.
• W1838408443 cites W2091376130 @default.
• W1838408443 cites W2092817152 @default.
• W1838408443 cites W2121508650 @default.
• W1838408443 cites W2130260336 @default.
• W1838408443 cites W2139953503 @default.
• W1838408443 cites W2158376156 @default.
• W1838408443 cites W2167175933 @default.
• W1838408443 cites W2184509135 @default.
• W1838408443 cites W2189249735 @default.
• W1838408443 cites W639081650 @default.
• W1838408443 hasPublicationYear "2013" @default.
• W1838408443 type Work @default.
• W1838408443 sameAs 1838408443 @default.
• W1838408443 citedByCount "0" @default.
• W1838408443 crossrefType "journal-article" @default.
• W1838408443 hasAuthorship W1838408443A5013799272 @default.
• W1838408443 hasBestOaLocation W18384084432 @default.
• W1838408443 hasConcept C121332964 @default.
• W1838408443 hasConcept C154945302 @default.
• W1838408443 hasConcept C158622935 @default.
• W1838408443 hasConcept C2777052490 @default.
• W1838408443 hasConcept C41008148 @default.
• W1838408443 hasConcept C50644808 @default.
• W1838408443 hasConcept C62520636 @default.
• W1838408443 hasConceptScore W1838408443C121332964 @default.
• W1838408443 hasConceptScore W1838408443C154945302 @default.
• W1838408443 hasConceptScore W1838408443C158622935 @default.
• W1838408443 hasConceptScore W1838408443C2777052490 @default.
• W1838408443 hasConceptScore W1838408443C41008148 @default.
• W1838408443 hasConceptScore W1838408443C50644808 @default.
• W1838408443 hasConceptScore W1838408443C62520636 @default.
• W1838408443 hasLocation W18384084431 @default.
• W1838408443 hasLocation W18384084432 @default.
• W1838408443 hasOpenAccess W1838408443 @default.
• W1838408443 hasPrimaryLocation W18384084431 @default.
• W1838408443 hasRelatedWork W1967882366 @default.
• W1838408443 hasRelatedWork W2323654707 @default.
• W1838408443 hasRelatedWork W2368432489 @default.
• W1838408443 hasRelatedWork W2371928941 @default.
• W1838408443 hasRelatedWork W2384901970 @default.
• W1838408443 hasRelatedWork W2386387936 @default.
• W1838408443 hasRelatedWork W2387408536 @default.
• W1838408443 hasRelatedWork W2392808951 @default.
• W1838408443 hasRelatedWork W2875263903 @default.
• W1838408443 hasRelatedWork W2899217644 @default.
• W1838408443 isParatext "false" @default.
• W1838408443 isRetracted "false" @default.
• W1838408443 magId "1838408443" @default.
• W1838408443 workType "article" @default.