Rainfall forecasting by relevant attributes using artificial neural networks - a comparative study

Biswas, Saroj; Marbaniang, Leniency; Purkayastha, Biswajit; Chakraborty, Manomita; Singh, Heisnam Rohen; Bordoloi, Monali

doi:10.1504/ijbdi.2016.077362

Cited by 9 publications

(2 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…If there is a method that can appropriately act in various noise levels, the computational cost and difficulties related to the noise reduction processes will be reduced. ANNs have the ability to tolerate noisy data, and frequently outperform traditional statistical methods (Biswas et al 2016;Hang et al 2009). Our results emphasize the capability of the CREANN method in dealing with noisy data at various SNRs (Fig.…”

Section: Discussionmentioning

confidence: 99%

Estimation of effective connectivity using multi-layer perceptron artificial neural network

2017

View full text Add to dashboard Cite

Studies on interactions between brain regions estimate effective connectivity, (usually) based on the causality inferences made on the basis of temporal precedence. In this study, the causal relationship is modeled by a multi-layer perceptron feed-forward artificial neural network, because of the ANN's ability to generate appropriate input-output mapping and to learn from training examples without the need of detailed knowledge of the underlying system. At any time instant, the past samples of data are placed in the network input, and the subsequent values are predicted at its output. To estimate the strength of interactions, the measure of "" is defined based on the network structure, the connecting weights and the parameters of hidden layer activation function. Simulation analysis demonstrates that the method, called "CREANN" (Causal Relationship Estimation by Artificial Neural Network), can estimate time-invariant and time-varying effective connectivity in terms of MVAR coefficients. The method shows robustness with respect to noise level of data. Furthermore, the estimations are not significantly influenced by the model order (considered time-lag), and the different initial conditions (initial random weights and parameters of the network). CREANN is also applied to EEG data collected during a memory recognition task. The results implicate that it can show changes in the information flow between brain regions, involving in the episodic memory retrieval process. These convincing results emphasize that CREANN can be used as an appropriate method to estimate the causal relationship among brain signals.

show abstract

Section: Discussionmentioning

confidence: 99%

Estimation of effective connectivity using multi-layer perceptron artificial neural network

2017

View full text Add to dashboard Cite

show abstract

“…Çeşitli yapay zekâ teknikleri kullanılarak yağış tahmini üzerine daha önce birçok çalışmalar yapılmış olup bu yöntemlerin tüm artı ve eksileri detaylı analiz edilmiştir. Araştırmacılar yapay zekâ teknikleri ile yağış tahmini yapma konusunda daha mükemmel ve daha doğru sonuçlar elde edebilmek için hala büyük bir uğraş içerisindedirler [1].…”

Section: Gi̇ri̇ş (Introduction)unclassified

Precipitation Prediction of Central Anatolia Regional Stations Using Artificial Intelligence Techniques with Wavelet Transform Model

Çıtakoğlu¹,

Çoşkun

2021

Harran Üniversitesi Mühendislik Dergisi

View full text Add to dashboard Cite

Meteorolojik koşullarda önemli bir parametre olan yağış verilerinin belirlenmesi; tarım, enerji, çevre, ulaşım, lojistik ve afet kontrolü gibi birçok sektörü doğrudan etkilemektedir. Geleceğe yönelik yağış verilerinin doğru tahmin edilmesi, özellikle insanların günlük hayatını kolaylaştıracaktır. Önceki dönemlere ait yağış verilerinin kullanılması, gelecek dönemlerin yağış tahminlerine ve erken uyarı sistemlerinin kurulmasına olanak sağlayacaktır. Bu çalışmada, Türkiye’nin Orta Anadolu Bölgesi istasyonlarının 1990−2015 yılları arasındaki aylık yağış verileri kullanılarak geleceğe yönelik yağış tahminleri yapılmıştır. Yağış tahmini için iki farklı yaklaşımda bulunulmuştur. Bu yaklaşımlardan ilki, önceki dönemlere ait istasyonların aylık yağış verilerine sadece yapay sinir ağı (YSA) ve uyarlamalı sinirsel bulanık çıkarım sisteminin (ANFIS) uygulanmasıdır. Diğer yaklaşım ise dalgacık dönüşüm modelinin hemYSA hem de ANFIS’e uygulanmasıdır. Bu modellerde 1990−2009 yılları arasındaki aylık yağış verileri eğitim verileri olarak, 2010−2015 yılları arasındaki veriler ise test verileri olarak kullanılmıştır. Yağış verileri t−2 ve t−1 zamanları için giriş verisi olarak kullanılmış olup t zamanındaki yağışlar tahmin edilmeye çalışılmıştır. Bu modellerin tahmin performansları, determinasyon katsayısı gibi istatistiksel kriterlere göre değerlendirilmiştir. Determinasyon katsayısına (0.011 ile 0.189) göreyağış verilerine YSA ve ANFIS metotları uygulanması ile yapılan tahminler kötü sonuçlar vermektedir. Determinasyon katsayısına göre Dalgacık dönüşümlü YSA (DD−YSA) vedalgacık dönüşümlü ANFIS (DD−ANFIS) modelleri ise geleceğe dönük yağış verilerinin tahmininde daha başarılıdır. Ayrıca bu çalışmada ortaya çıkan önemli sonuçlardan biri de istatistiksel kriterlere göreDD−ANFIS ve DD−YSA modellerinin birbirine çok yakın sonuçlar vermesidir.

show abstract

Graph-Based Sentiment Analysis Model for E-Commerce Websites’ Data

Bordoloi

Biswas

2018

Cognitive Informatics and Soft Computing

View full text Add to dashboard Cite

Rainfall forecasting by relevant attributes using artificial neural networks - a comparative study

Cited by 9 publications

References 0 publications

Estimation of effective connectivity using multi-layer perceptron artificial neural network

Estimation of effective connectivity using multi-layer perceptron artificial neural network

Precipitation Prediction of Central Anatolia Regional Stations Using Artificial Intelligence Techniques with Wavelet Transform Model

Graph-Based Sentiment Analysis Model for E-Commerce Websites’ Data

Contact Info

Product

Resources

About