최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기대한토목학회논문집 = Journal of the Korean Society of Civil Engineers, v.33 no.5, 2013년, pp.1809 - 1827
최현구 (경북대학교 방재연구소) , 한건연 (경북대학교 건축.토목공학부) , 노홍식 (경북대학교 건축.토목공학부) , 박세진 (경북대학교 건축.토목공학부)
Recently we need to take various measures to prepare for extreme flood that occur due to climate change. It is important that establish flood forecasting system to prepare flood over non-structure measures. The objective of this study is to develop superior real-time flood forecasting model by compa...
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
신경망 이론과 퍼지 이론의 장점들을 바탕으로 제시된 뉴로-퍼지 모형의 특징은 무엇인가? | 반면 신경망 이론은 학습 능력을 가지고 있어서 시스템의 구성에 유연성이 크며, 데이터 기반의 처리에 우수하다. 이러한 장점들을 바탕으로 제시된 모형이 뉴로-퍼지 모형으로 신경망의 구조와 학습능력을 이용하여 제어환경으로 부터 얻은 입출력 정보로부터 소속 함수와 규칙을 제어 대상에 맞게 자동으로 조정함으로써 수행된다. | |
퍼지 이론의 장점은 무엇인가? | 신경망 이론과 퍼지 이론은 모두 특정 분야에 대해서 인간처럼 일을 할수 있는 시스템을 구축하는 것에 관심이 있으나, 두 이론이 강점을 갖는 분야는 조금 다르다. 퍼지 이론은 논리적인 기반 하에서 애매한 정보를 처리, 추론하는데 적합하고 자연 언어적인 표현을 통해고차원적인 처리에 유용하다. 반면 신경망 이론은 학습 능력을 가지고 있어서 시스템의 구성에 유연성이 크며, 데이터 기반의 처리에 우수하다. | |
신경망 이론의 장점은 무엇인가? | 퍼지 이론은 논리적인 기반 하에서 애매한 정보를 처리, 추론하는데 적합하고 자연 언어적인 표현을 통해고차원적인 처리에 유용하다. 반면 신경망 이론은 학습 능력을 가지고 있어서 시스템의 구성에 유연성이 크며, 데이터 기반의 처리에 우수하다. 이러한 장점들을 바탕으로 제시된 모형이 뉴로-퍼지 모형으로 신경망의 구조와 학습능력을 이용하여 제어환경으로 부터 얻은 입출력 정보로부터 소속 함수와 규칙을 제어 대상에 맞게 자동으로 조정함으로써 수행된다. |
Brown, M. and Harris, C. (1994). Neuro-fuzzy adaptive modeling and control, Prentice Hall International (UK) Ltd. Hertfordshire, UK, p. 508.
Carpenter, T. M., Georgakakos, K. P. and Sperfslage, J. A. (2001). "On the parametric and Nexrad-Radar sensitivities of a distributed hydrologic model suitable for operational use." Journal of Hydrology, Vol. 253, pp. 169-193.
Chaoulakou, A., Assimacopoulos, D. and Lekkas, T. (1999). "Forecasting daily maximum ozon concentration in the Athens basin." Environmental Monitoring and Assessment, Vol 56, pp. 97-112.
Choi, S.-Y. (2011). Real-time flood forecasting and inundation analysis in medium and small streams. Doctor Dissertation, Kyungpook National University (in Korean).
Gautam, D. K. and Holz, K. P. (2001). "Rainfall-runoff modeling using adaptive neuro-fuzzy systems." Journal of Hydroinformatics, pp. 3-10.
Imrie, C. E., Durucan, S. and Korre, A. (2000). "River flow prediction using artificial neural networks: generalisation beyond the calibration range." Journal of Hydrology, Vol. 233, pp. 138-153.
Jain, A., Sudheer, K. P. and Srinivasulu, S. (2004). "Identification of physical processes inherent in artificial neural network rainfallrunoff models." Hydrologic Process, Vol. 118, pp. 571-581.
Jang, J.-S. (1992). "Self-learning fuzzy controllers based on temporal backpropagation." IEEE Trans Neural Netw, Vol. 3, No. 5, pp. 714-723.
Kim, K.-T., Kim, J.-H. and Choi, Y.-S. (2006). "Study of flood warning and forecasting in small to medium scale watershed." Korea Water Resources Association Conf., pp. 1126-1130 (in Korean).
Ko, Y.-J. (2001). The application of fuzzy neural network on the hourly river flow forecating. Master Dissertation, Chonnam National University. pp. 1-6, pp. 14-17 (in Korean).
Kurtulus, B. and Razack, M. (2009). "Modeling daily discharge responses of a large karstic aquifer using soft computing methods artificial neural network and neuro fuzzy." Journal of Hydrology, Vol. 375, pp. 146-162.
Lohani, A. K., Kumar, R. and Singh, R. D. (2012). "Hydrological time series modeling: A Comparison Between Adaptive Neuro- Fuzzy, Neural Network And Autoregressive Techniques." Journal of Hydrology, Vol. 442-443, pp. 23-35.
Luk, K. C., Ball, J. E. and Sharma, A. (2001). "An application of artificial neural networks for rainfall forecasting." Math Computer Model, Vol. 33, pp. 683-693.
Nayak, P. C., Sudheer, K. P., Rangan, D. M. and Ramasastri, K. S. (2005). "Short-term flood forecasting with a neurofuzzy model." Water Resources Research, Vol. 41, No. 4, W04004.
Ramirez, M. C. P., Velho, H. F. C. and Ferreira, N. J. (2005). "Artificial neural network technique for rainfall forecasting applied to the sao paulo region." Journal of Hydrology, Vol. 301, pp. 146-162.
Schilling, K. E. and Wolter, C. F (2005). "Estimation of streamflow, baseflow and nitrate-nitrogen loads in Iwoa using multiple regression models." Journal of American Water Resources Association, Vol. 41, No. 6, pp. 1333-1346.
Shin, S.-I. (2002). Study on forecasting flood discharge using neural network and neuro-fuzzy, Master Dissertation, Kyungil University (in Korean).
Smith, J. and Eli, R. N. (1995). "Neural network models of the rainfall-runoff process." Journal of Water Resources Planning and Management, ASCE, Vol. 121, pp. 499-508.
Sung, J.-Y. and Heo, J.-H. (2009). "Tributary flood forecasting using statistical analysis method." Korea Water Resources Association Conf., pp. 1524-1527 (in Korean).
Talei, A., Chua, L. H. C. and Wong, S. W. (2010). "Evaluation of rainfall and discharge inputs used by adaptive network-based fuzzy inference systems (ANFIS) in rainfall-runoff modeling." Journal of Hydrology, Vol. 391, Issues 3-4, pp. 248-262.
Tangborn, W. V. and Rasmussen, L. A. (1976). "Hydrology of north cascades region, washington-part 2: A Proposed Hydrometeorological Streamflow Prediction Method." Water Resources Research, Vol. 12, pp. 203-216.
Wu, C. L., Chau, K. W. and Li, Y. S. (2008). "River stage prediction based on a distributed support vector regression." Journal of Hydrology, Vol. 358, pp. 96-111.
Yarar, M., Onucyildiz, M. and Copty, N. K. (2009). "Modelling level change in lakes using neuro fuzzy and artificial neural networks." Journal of Hydrology, Vol. 365, pp. 329-334.
Yoon, Y.-N. and Wone, S.-Y. (1991). "A multiple regression model for the estimation of monthly runoff from ungaged watersheds." Journal of Korean Association of Hydrological Sciences, Vol. 24, No. 3, pp.71-82 (in Korean).
Yurekli, K., Kurung, A. and Ozturk, F. (2005). "Testing residuals of an ARIMA model on the cekerek stream watershed in turkey." Turkish Journal of Engineering and Environmental Sciences, Vol. 29, pp. 61-74.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.