Show simple item record

Modely výpočetní inteligence pro hydrologické predikce
dc.contributor.advisorNeruda, Roman
dc.creatorPaščenko, Petr
dc.date.accessioned2017-04-21T06:28:05Z
dc.date.available2017-04-21T06:28:05Z
dc.date.issued2010
dc.identifier.urihttp://hdl.handle.net/20.500.11956/30674
dc.description.abstractTato práce se zabývá možností využití metod výpočetní umělé inteligence v oblasti hydrologických předpovědí. Praktická studie problému krátkodobé predikce průtoku na základě světových srážek je provedena na skutečných fyzikálních datech popisujících relevantní časové řady naměřené v povodí řeky Ploučnice. Zevrubně statitstická studie zahrnující korelační regresní analýzu prokázal vysoký rozptyl naměřených hodnot. Pro konstrukci vstupniho filtru pro neuronové modely byl proveden evoluční experiment. V hlavní části práce bylo prozkoumáno několik modelů neuronových sítí založených na vicevrstvém perceptronu, sítích typu RBF a neuroevoluci společně se dvěma anáblovými modely inspirovanými tzv. bagginem. Výsledné modely byly pečlivě testovány na datech pokrývajících letní období tří po sobě následujících let. Bylo prokázáno, že modely založené na vícevrstvém perceptronu vykazují větší schopnost generalizace. Výsledné perceptronové modely jsou schopny snížit kvadratickou chybu předpovědi o zhruba 15% v porovnání s konzervativní predikcí současnou hodnotou.cs_CZ
dc.description.abstractThe thesis deals with the application of computational artificial intelligence models on hydrological predictions. The short term rainfall-runoff prediction problem is studied on the real data of physical time seriesmeasured in the watershed of river Plučnice. A brief statistical study including correlation and regression analyses is performed. The high level of variance and noise is concluded. The evolution of the proper input filter providing an input set for the neural network is performed. In the main part of the thesis several neural network models based on multilayer perceptron, RBF units, and neuroevoution are constructed together with two neural ensembles inspired by the bagging method. The models are tested on the three subsequent years summer data. The greater generalization ability of multilayer perceptron architectures is concluded. The resulting multilayer perceptron models are able to reduce the mean squared error of the prediction by 15% compared to the prediction by the previous value.en_US
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Matematicko-fyzikální fakultacs_CZ
dc.titleModely výpočetní inteligence pro hydrologické predikceen_US
dc.typediplomová prácecs_CZ
dcterms.created2010
dcterms.dateAccepted2010-02-02
dc.description.departmentDepartment of Theoretical Computer Science and Mathematical Logicen_US
dc.description.departmentKatedra teoretické informatiky a matematické logikycs_CZ
dc.description.facultyFaculty of Mathematics and Physicsen_US
dc.description.facultyMatematicko-fyzikální fakultacs_CZ
dc.identifier.repId77286
dc.title.translatedModely výpočetní inteligence pro hydrologické predikcecs_CZ
dc.contributor.refereePetříčková, Zuzana
dc.identifier.aleph001196875
thesis.degree.nameMgr.
thesis.degree.levelnavazující magisterskécs_CZ
thesis.degree.disciplineTeoretická informatikacs_CZ
thesis.degree.disciplineTheoretical Computer Scienceen_US
thesis.degree.programInformatikacs_CZ
thesis.degree.programComputer Scienceen_US
uk.thesis.typediplomová prácecs_CZ
uk.taxonomy.organization-csMatematicko-fyzikální fakulta::Katedra teoretické informatiky a matematické logikycs_CZ
uk.taxonomy.organization-enFaculty of Mathematics and Physics::Department of Theoretical Computer Science and Mathematical Logicen_US
uk.faculty-name.csMatematicko-fyzikální fakultacs_CZ
uk.faculty-name.enFaculty of Mathematics and Physicsen_US
uk.faculty-abbr.csMFFcs_CZ
uk.degree-discipline.csTeoretická informatikacs_CZ
uk.degree-discipline.enTheoretical Computer Scienceen_US
uk.degree-program.csInformatikacs_CZ
uk.degree-program.enComputer Scienceen_US
thesis.grade.csVýborněcs_CZ
thesis.grade.enExcellenten_US
uk.abstract.csTato práce se zabývá možností využití metod výpočetní umělé inteligence v oblasti hydrologických předpovědí. Praktická studie problému krátkodobé predikce průtoku na základě světových srážek je provedena na skutečných fyzikálních datech popisujících relevantní časové řady naměřené v povodí řeky Ploučnice. Zevrubně statitstická studie zahrnující korelační regresní analýzu prokázal vysoký rozptyl naměřených hodnot. Pro konstrukci vstupniho filtru pro neuronové modely byl proveden evoluční experiment. V hlavní části práce bylo prozkoumáno několik modelů neuronových sítí založených na vicevrstvém perceptronu, sítích typu RBF a neuroevoluci společně se dvěma anáblovými modely inspirovanými tzv. bagginem. Výsledné modely byly pečlivě testovány na datech pokrývajících letní období tří po sobě následujících let. Bylo prokázáno, že modely založené na vícevrstvém perceptronu vykazují větší schopnost generalizace. Výsledné perceptronové modely jsou schopny snížit kvadratickou chybu předpovědi o zhruba 15% v porovnání s konzervativní predikcí současnou hodnotou.cs_CZ
uk.abstract.enThe thesis deals with the application of computational artificial intelligence models on hydrological predictions. The short term rainfall-runoff prediction problem is studied on the real data of physical time seriesmeasured in the watershed of river Plučnice. A brief statistical study including correlation and regression analyses is performed. The high level of variance and noise is concluded. The evolution of the proper input filter providing an input set for the neural network is performed. In the main part of the thesis several neural network models based on multilayer perceptron, RBF units, and neuroevoution are constructed together with two neural ensembles inspired by the bagging method. The models are tested on the three subsequent years summer data. The greater generalization ability of multilayer perceptron architectures is concluded. The resulting multilayer perceptron models are able to reduce the mean squared error of the prediction by 15% compared to the prediction by the previous value.en_US
uk.publication.placePrahacs_CZ
uk.grantorUniverzita Karlova, Matematicko-fyzikální fakulta, Katedra teoretické informatiky a matematické logikycs_CZ


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 560/5, 116 36 Praha 1; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV