Documents disponibles écrits par cet auteur

Training Artificial Neural Networks to Perform Rainfall Disaggregation / Burian, Steven J. in Journal of hydrologic engineering, Vol. 6, N° 1 (Janvier 2001) 

Public ISBD [article]  in Journal of hydrologic engineering > Vol. 6, N° 1 (Janvier 2001) . - 43-51 p. Titre : Training Artificial Neural Networks to Perform Rainfall Disaggregation Titre original : Réseaux Neurologiques Artificiels s'Exerçants pour Exécuter la Désagrégation de Précipitations Type de document : texte imprimé Auteurs : Burian, Steven J., Auteur ; Durrans, S. Rocky, Auteur ; Nix, Stephan J. ; Pitt, Robert E. Article en page(s) : 43-51 p. Note générale : Hydrologie, Hydraulique Langues : Anglais (eng) Mots-clés : Désagrégation  Précipitations  Incréments  Application  hydrologique  Hydrologie  HYdraulique  Technologie  Environnement  Rentabilité  Outils  Précision  Disques  Réseaux  neurologiques  artificiels  Méthodes  de  fomation  Evaluation  Stations Index. décimale : 551.4/620 Résumé : Hydrologists and engineers need methods to disaggregate hourly rainfall data into subhourly increments for many hydrologic and hydraulic engineering applications. In the present engineering environment where time efficiency and cost effectiveness are paramount characteristics of engineering tools, disaggregation techniques must be pratical and accurate. One particularly attractive technique for disaggregating long-term hourly rainfall records into subhourly increments involves the use of artificial neural networks (ANNs). A Past investigation of ANN rainfall disaggregation models indicated that although ANNs can be applied effectively there are several considerations concerning the characteristics of the ANN model and the training methods employed. The Research presented in this paper evaluated the influence on performance of several ANN model characteristics and training issues including data standartization, geographic location of training data, quantity of training data, number of hidden neurons in the ANN. Results from this study suggest that data from rainfall-gauging stations within several hundred kilometers of the station to be disaggreted are adequate for training the ANN rainfall disaggregation model. Further, we found the number of training iterations, the limits of data standartization, the number training data sets, and the number of hidden neurons in the ANN to exhibit varying degrees of influence over the ANN model performance. Les hydrologistes et les ingénieurs ont besoin de méthodes pour désagréger des données horaires de précipitations dans des incréments horaires secondaires pour beaucoup d'applications hydrologiques et hydrauliques de technologie. Dans l'environnement actuel de technologie où la rentabilité d'efficacité et de temps sont des caractéristiques primordiales des outils de technologie, les techniques de désagrégation doivent être pratiques et précises. Une en particulier technique attrayante pour désagréger les disques horaires à long terme de précipitations dans des incréments horaires secondaires comporte l'utilisation des réseaux neurologiques artificiels (ANNs). après la recherche sur des modèles de désagrégation de précipitations d'ANN a indiqué que bien qu'ANNs puisse être appliqué efficacement il y a plusieurs considérations au sujet des caractéristiques du modèle d'ANN et des méthodes de formation utilisés. La recherche a présenté en cet article a évalué l'influence sur l'exécution de plusieurs caractéristiques d'ANN et issues modèles de formation comprenant le standartisation de données, endroit géographique des données de formation, quantité de données de formation, nombre de neurones cachés dans l'ANN. Les résultats de cette étude suggèrent que les données des stations précipitation-mesurantes dans plusieurs centaines de kilomètres de la station à être disagrégé soient proportionnées pour former le modèle de désagrégation de précipitations d'ANN. De plus, nous avons trouvé le nombre d'itérations de formation, les limites du standartisation de données, les Modem de formation de nombre, et le nombre de neurones cachés dans l'ANN pour exhiber des degrés variables d'influence au-dessus de l'exécution modèle d'ANN. En ligne : sburian@engr.uark.edu [article] Training Artificial Neural Networks to Perform Rainfall Disaggregation = Réseaux Neurologiques Artificiels s'Exerçants pour Exécuter la Désagrégation de Précipitations [texte imprimé] / Burian, Steven J., Auteur ; Durrans, S. Rocky, Auteur ; Nix, Stephan J. ; Pitt, Robert E. . - 43-51 p. Hydrologie, Hydraulique Langues : Anglais (eng) in Journal of hydrologic engineering > Vol. 6, N° 1 (Janvier 2001) . - 43-51 p. Mots-clés : Désagrégation  Précipitations  Incréments  Application  hydrologique  Hydrologie  HYdraulique  Technologie  Environnement  Rentabilité  Outils  Précision  Disques  Réseaux  neurologiques  artificiels  Méthodes  de  fomation  Evaluation  Stations Index. décimale : 551.4/620 Résumé : Hydrologists and engineers need methods to disaggregate hourly rainfall data into subhourly increments for many hydrologic and hydraulic engineering applications. In the present engineering environment where time efficiency and cost effectiveness are paramount characteristics of engineering tools, disaggregation techniques must be pratical and accurate. One particularly attractive technique for disaggregating long-term hourly rainfall records into subhourly increments involves the use of artificial neural networks (ANNs). A Past investigation of ANN rainfall disaggregation models indicated that although ANNs can be applied effectively there are several considerations concerning the characteristics of the ANN model and the training methods employed. The Research presented in this paper evaluated the influence on performance of several ANN model characteristics and training issues including data standartization, geographic location of training data, quantity of training data, number of hidden neurons in the ANN. Results from this study suggest that data from rainfall-gauging stations within several hundred kilometers of the station to be disaggreted are adequate for training the ANN rainfall disaggregation model. Further, we found the number of training iterations, the limits of data standartization, the number training data sets, and the number of hidden neurons in the ANN to exhibit varying degrees of influence over the ANN model performance. Les hydrologistes et les ingénieurs ont besoin de méthodes pour désagréger des données horaires de précipitations dans des incréments horaires secondaires pour beaucoup d'applications hydrologiques et hydrauliques de technologie. Dans l'environnement actuel de technologie où la rentabilité d'efficacité et de temps sont des caractéristiques primordiales des outils de technologie, les techniques de désagrégation doivent être pratiques et précises. Une en particulier technique attrayante pour désagréger les disques horaires à long terme de précipitations dans des incréments horaires secondaires comporte l'utilisation des réseaux neurologiques artificiels (ANNs). après la recherche sur des modèles de désagrégation de précipitations d'ANN a indiqué que bien qu'ANNs puisse être appliqué efficacement il y a plusieurs considérations au sujet des caractéristiques du modèle d'ANN et des méthodes de formation utilisés. La recherche a présenté en cet article a évalué l'influence sur l'exécution de plusieurs caractéristiques d'ANN et issues modèles de formation comprenant le standartisation de données, endroit géographique des données de formation, quantité de données de formation, nombre de neurones cachés dans l'ANN. Les résultats de cette étude suggèrent que les données des stations précipitation-mesurantes dans plusieurs centaines de kilomètres de la station à être disagrégé soient proportionnées pour former le modèle de désagrégation de précipitations d'ANN. De plus, nous avons trouvé le nombre d'itérations de formation, les limites du standartisation de données, les Modem de formation de nombre, et le nombre de neurones cachés dans l'ANN pour exhiber des degrés variables d'influence au-dessus de l'exécution modèle d'ANN. En ligne : sburian@engr.uark.edu