Validation of a Statistical Non-Linear Model of GaAs HEMT MMIC's by Hypothesis Testing and Principal Components Analysis

2006 ◽  
Author(s):  
M. Balsi ◽  
F. Centurelli ◽  
P. Marietti ◽  
G. Scotti ◽  
P. Tommasino ◽  
...  
Keyword(s):  
Hypothesis Testing ◽  
Principal Components Analysis ◽  
Linear Model ◽  
Principal Components ◽  
Non Linear ◽  
Components Analysis

Planktonic Biomass Trajectories In Lake Ecosystems

1983 ◽  
Vol 40 (10) ◽  
pp. 1752-1760 ◽  
Author(s):  
Michael A. Gates ◽  
Ann P. Zimmerman ◽  
W. Gary Sprules ◽  
Roy Knoechel
Keyword(s):  
Hypothesis Testing ◽  
Principal Components Analysis ◽  
Biomass Allocation ◽  
Principal Components ◽  
Primary Component ◽  
Size Category ◽  
Data Set ◽  
Lake Ecosystems ◽  
The Mean ◽  
Components Analysis

We introduce a method, based on principal components analysis, for studying temporal changes in biomass allocation among 16 size–category compartments of lake plankton. Applied to data from a series of 12 Ontario lakes over three sampling seasons, the technique provides a simple means of visualizing shifts in patterns of biomass allocation, and it allows comparative analyses of biomass fluctuations in different lakes. Each of the primary component axes is interpretable. Furthermore, a large proportion of the variance in both the mean position of a lake and its movement along these axes is interpreted as a function of lake physicochemistry. The analysis also provides weighted scores for use in hypothesis testing which are an improvement over mean biomass values alone, because they take into account the structure of variation in the data set.

Non-linear principal components analysis using genetic programming

1999 ◽  
Vol 23 (3) ◽  
pp. 413-425 ◽  
Author(s):  
H.G. Hiden ◽  
M.J. Willis ◽  
M.T. Tham ◽  
G.A. Montague
Keyword(s):  
Genetic Programming ◽  
Principal Components Analysis ◽  
Principal Components ◽  
Non Linear ◽  
Components Analysis

scholarly journals Avaliando aprendizado de máquina na previsão de curto prazo de séries temporais de energia solar

2021 ◽  
Vol 13 (2) ◽  
pp. 105-112
Author(s):  
Naylene Fraccanabbia ◽  
Viviana Cocco Mariani
Keyword(s):  
Neural Network ◽  
Support Vector Regression ◽  
Principal Components Analysis ◽  
Linear Model ◽  
Principal Components ◽  
Generalized Linear Model ◽  
Support Vector ◽  
Components Analysis

Fontes alternativas de energia estão se tornando cada vez mais frequentes, tendo como objetivo reduzir a poluição ambiental, além de serem ideais para superar a crise energética, logo, neste contexto, a energia solar se destaca por ser abundante. Devido ao alto nível de incerteza dos fatores que interferem diretamente na geração de energia solar, como temperatura e radiação solar, realizar previsões de energia solar com alta precisão é um desafio. Assim, o objetivo deste artigo é desenvolver um modelo de previsão por meio de séries temporais que possibilite prever a produção de energia solar, para 1, 3 e 6 passos à frente, enfatizando a potencialidade da rede neural, utilizando um banco de dados de uma usina fotovoltaica localizada no Uruguai. Para o desenvolvimento da proposta, técnicas de pré-processamento e os métodos de previsão regressão de vetores de suporte (Support Vector Regression, SVR), rede neural perceptron multicamadas com regularização bayesiana (Bayesian Regularized Neural Network, BRNN) e modelo linear generalizado (Generalized Linear Model, GLM) foram combinados. Por fim, tais combinações foram comparadas usando medidas de desempenho. Notou-se que a combinação da análise de componentes principais (Principal Components Analysis - PCA) e a Rede Neural Perceptron Multicamadas com Regularização Bayesiana obteve os melhores resultados, utilizando as três medidas de desempenho.

Sign in / Sign up

Export Citation Format

Share Document