Več nivojski model kratkoročnega napovedovanja cene električne energije
|
|
- Garey Flynn
- 6 years ago
- Views:
Transcription
1 Več ivojski model kratkoročega apovedovaja cee električe eergije Ja Bohiec, dr. Gašper Artač, dr. Ludvik Bartelj GEN-I, d.o.o. Povzetek Z liberalizacijo trgov je postala električa eergija dobria s katero je možo trgovati. Števile države so v zadjih letih povečale količio eergije pridobljee iz obovljivih virov eergije, kar ima velik vpliv a diamiko spremijaja ce a eergetskih borzah. Napovedovaje cee električe eergije je postalo ključega pomea i vpliva a izbiro trgovale strategije za dosego maksimalega dobička. Na ceo električe eergije a liberaliziraem trgu vpliva več dejavikov, kot so proizvodja, odjem električe eergije, proizvodja iz obovljivih virov, cee goriv, ki so spremeljive i odvise od trgov preostalih dobri. V člaku smo za kratkoročo apovedovaje ce električe eergije uporabili metodo umetih evroskih mrež, ki so se izkazale za eo izmed ajprimerejših metod. Dosežeo ceo električe eergije lahko apovemo s kombiacijo več modelskih ivojev i sicer glede a tip proizvodih eot, ki v posamezi uri določajo ceo. Za vsak posamezi ceovi ivo tako uporabimo samostoje evroske mreže, modelske ivoje pa določimo glede a pretekle povezave med vhodimi parametri i ceami električe eergije a devem trgu. Model več ivojskih umetih evroskih mrež smo testirali a ceah električe eergije, ki so bile dosežee a EPEX Spot borzi. Ključe besede: apovedovaje ce električe eergije, umete evroske mreže, več ivojska struktura apovedovaja Short-Term Electricity Price Forecastig Usig Regime Switchig Artificial Neural Networks Abstract - The liberalizatio of electricity markets has caused electricity commodity to be traded o a ope market. I the last decade the share of reewable eergy sources has icreased i may coutries. This has a great impact o the price dyamics i the eergy markets. Therefore electricity price forecastig has become importat ad iflueces the tradig strategies i order to maximize profits. The price of electricity i the liberalized market is affected by several factors, such as geeratio, cosumptio of electricity, reewable eergy sources geeratio, fuel prices, etc. These factors are variable ad deped solely o the other commodities markets. I this article for short-term electricity price forecastig we used the method of artificial eural etworks, which have bee prove to be oe of the most suitable algorithms for such a problem. The price of electricity ca be forecasted with a combiatio of several price level models. For each price level we used differet idepedet eural etwork ad we determied price levels based o the historical coectios betwee the iput parameters ad electricity prices o the spot market. We tested our regime switchig artificial eural etwork model o the EPEX Spot market. Germa Keywords: electricity price forecastig, artificial eural etworks, regime switchig forecastig model 1
2 I. UVOD Dadaes kratkoročo apovedovaje ce električe eergije a devem trgu predstavlja precejše izziv v elektrogospodarstvu. Cee a uri časovi ločljivosti so a trgu odvise od velikega števila dejavikov. Med jih spadajo odjem električe eergije, proizvodja iz obovljivih virov, proizvodja iz kovecioalih virov, cee goriv, cee emisijskih kupoov, višia ce električe eergije okoliških trgov i višia čezmejih preosih zmogljivosti med državami. Dodato so ekateri izmed aštetih dejavikov močo korelirai z meteorološkimi spremeljivkami (pr. temperaturo, jakostjo sočega sevaja, gradietom tlaka, padaviami), ki so že v svoji aravi precej epredvidljive. Spremeljivke, ki vplivajo a določitev cee električe eergije za da v aprej, pozamo z omejeo atačostjo. Zaradi velikega števila spremeljivk, pa so spremeljivke eliearo povezae z rezultatom deve avkcije a izbraem trgu električe eergije. Izkaže se, da je v primerih, kjer je zaprto obliko eačbe za apovedovaje časovih vrst težko ali emogoče zapisati, priklado uporabiti statističo umeričo metodo imeovao umeta evroska mreža (agl. Artificial Neural Network - ANN) [1]. Umete evroske mreže predstavimo z medsebojo povezaimi evroi, ki so zmoži izračua vredosti iz vhodih podatkov. Podobo kot preostale metode strojega učeja sistemi, ki se učijo iz abora podatkov se evroske mreže uporabljajo za reševaje problemov, ki jih je težko rešiti z običajim logičim aborom ukazov. Nevro, osovi gradik evroske mreže, lahko sprejme več vhodih podatkov, evroi pa so med seboj povezai v celoto, ki ji pravimo mreža. Najeostavejše evroske mreže imajo le eo plast oziroma sloj, pri bolj kompleksih evroskih mrežah pa je teh ivojev lahko precej več. Po povezavah umeti evroi drug drugemu pošiljajo električe dražljaje oziroma sigale. Če je vsota vhodih sigalov dovolj velika, se sproži pragova ali aktivacijska fukcija i pride do vžiga evroa, kar pomei, da se a izhodu pojavi sigal. Povezave med vhodimi podatki evroa i aktivacijsko fukcijo so običajo različo utežee (slika 1). Slika 1: Osovi gradik evroske mreže evro s tremi različo utežeimi vhodi Uteži vhodov posamezih evroov, povezave med evroi ter prag, pri katerem evro a izhodu odda sigal, se oblikujejo z učejem evroske mreže. V postopku treiraja oziroma učeja mreže se parametri evroske mreže optimizirajo toliko časa, dokler i evroska mreža zmoža z vaprej določeo apako rešiti testega problema, ki ima že zao izhodo rešitev. Nevroske mreže so z učejem sposobe ugotoviti pravila i ajti vzorce med vhodimi i izhodimi podatki. Ko je evroska mreža aučea, lahko deluje tudi v situacijah, s katerimi v procesu učeja i imela opravka. To pomei, da lahko rešuje tudi aloge, kjer e obstaja rešitev v obliki zaporedja korakov, kot a primer račuališki algoritmi, čeprav pri tem obstaja večja evarost epredvidljivega delovaja. 2
3 Slika 2: Preprosta umeta evroska mreža s tremi plastmi evroov Mreže so lahko sestavljee iz več plasti, katerih sestavi gradiki so evroi. Največkrat so mreže sestavljee iz dveh, treh ali več slojev. Za lieare probleme je dovolj uporaba le dveh slojev, medtem ko se za elieare probleme ajvečkrat uporabljajo mreže s tremi sloji, kot prikazuje slika 2. Prvi sloj, v katerega vesemo podatke imeujemo vhoda plast, zadjo plast, v katerih beremo rezultate mreže imeujemo izhoda plast, vmes sestavlja mrežo še ea ali več skritih plast, v kateri avado e pozamo vredosti v evroih. Uporaba evroskih mrež v sodobi tehologiji zavzema pomembo vlogo a različih področjih. Nevroske mreže se uporabljajo a primer za klasifikacijo podatkov, reševaje eliearih problemov, prepozavo govora, obrazov i drugih vzorcev, apovedovaje časovih vrst itd. Uporabljajo se tako v matematičih kot v fizikalih modelih, pri statističi aalizi podatkov i tudi pri uporabi umete iteligece. Volatilost ce električe eergije a devem trgu je precejšja, v zadjem času pa se ob ekaterih urah pojavljajo tudi egative cee. Uči abor takših primerov je majhe, saj je število ur z egativo ceo majho. V takših primerih se evroske mreže izkažejo za precej bolj učikovite od stadardih regresijskih modelov (ARIMA) [2]. III. POSTOPEK UČENJA NEVRONSKIH MREŽ Nevrosko mrežo je potrebo ajprej aučiti oziroma jo spozati s primeri katerih rešitev pozamo. Obstaja več ačiov učeja mreže, a splošo metode delimo a adzorovao i eadzorovao učeje. V primeru apovedovaja časovih vrst, običajo uporabljamo adzorovao učeje evroske mreže, pri katerem imamo poda testi set (x, y ), x X, y Y i iščemo fukcijo f: X Y. V teh primerih uporabljamo za ceilo fukcijo miimalo vsoto kvadratov apake, katera poskuša miimizirati apako med izhodom mreže, f(x) i resičo vredostjo y. Miimizacija uporablja metodo padajočega gradieta pri iskaju optimalih parametrov mreže. Uporabljea evroska mreža v ašem primeru vsebuje tri plasti evroov, povezave med plastmi pa predstavljata dve matriki uteži. Vhodo i skrito plast povezujejo uteži w ij, ki so elemeti matrike W, skrito i izhodo plast povezujejo uteži v jk, elemeti matrike V. Imamo torej dve matriki uteži, ki defiirata uporabljeo mrežo. Vhode podatke v vhodi plasti si predstavljamo kot vektor x = (x 1, x 2, x 3,, x ), e elemet v vektorju pripada eemu evrou v vhodi plasti. Na začetku so vse uteži v matrikah W i V aključo izbrae i zavzemajo vredosti a itervalu [ 1, 1]. 3
4 Aktivacijska fukcija j-tega evroa je vsota vhodih podatkov x i pomožeih s pripadajočimi utežmi w ji A j (x, W) = x i w ji. (1) i=0 Večia evroskih mrež v skriti plasti uporablja malekost spremejeo aktivacijsko fukcijo, ki ima zalogo vredosti a itervalu [0, 1]. Takša fukcija je lahko stopičasta fukcija (slika 3) ali arcta, ajbolj pogosto pa se uporablja zveza sigmoida fukcijo (slika 4). 1 O j (x, W) = 1 + e. (2) A j(x,w) Slika 3: Stopičasta aktivacijska fukcija Slika 4: Sigmoida aktivacijska fukcija Cilj procesa učeja je miimizirati apako med izhodim podatkom mreže i pravilo vredostjo y j. Optimizacijska fukcija ali akcija, ki jo skušamo miimizirati, je za j-ti evro defiiraa kot E j (x, W, V, d) = (O j (x, W) y j ) 2. (3) Celota apaka evroske mreže je vsota teh apak po vseh evroih v izstopi plasti, j = 1,,. E(x, W, V, y ) = E j = (O j (x, W) y j ) 2. (4) j=1 j=1 Za spremijaje uteži se uporablja metoda padajočega gradieta Δw ji = α E w ji, (5) kjer je α koeficiet hitrosti učeja. Ob asledjem koraku iteracije sledi w ji w ji + Δw ji. (6) Izhode podatke y dobimo tako, da pomožimo vhode podatke x z matrikama uteži W i V, y = x W V. (7) Več o učeju umetih evroskih mrež je možo prebrati v [2, 3, 4]. Pri uporabi evroskih mrež za apovedovaje ce električe eergije se izkaže, da ea sama evroska mreža težko opiše vse situacije a trgu, zato smo v sklopu člaka vhode podatke ajprej razdelili a različe modelske ivoje glede a višio cee oziroma glede a tipe proizvodih eot, ki ob določei uri določajo ceo a trgu. 4
5 Modelski ivoji se diamičo spremijajo iz ure v uro v odvisosti proizvodje iz obovljivih virov i glede a razpoložljivost eot posamezega tipa goriva. V ašem primeru smo uporabili asledje modelske ivoje: Nivo eergije t.i. must-ru proizvodje - (I. ivo) Nivo ligitih elektrar - (II. ivo) Nivo premogovih elektrar - (III. ivo) Nivo pliskih elektrar - (IV. ivo) Model za kratkoročo apovedovaje ce električe eergije je sestavlje iz kombiacije štirih modelskih ivojev. Vsak ivo modela je predstavlje s samostojo umeto evrosko mrežo, kot prikazuje slika 5. Modelski ivoji i s tem primerost posameze mreže za izraču cee električe eergije v določei uri, so določei glede a proizvodjo obovljivih virov i razpoložljivost eot posamezega gorivega tipa. V točo določei uri torej aprej določimo katera evroska mreža je ajprimerejša za izraču cee električe eergije. Prede dobimo izhodi rezultat modela, je potrebo še združiti rezultate posamezih modelskih ivojev [5, 6, 7]. Slika 3: Shema uporabljee več ivojske umete evroske mreže Za učeje umete evroske mreže je običajo ajbolje vzeti čim daljše časovo obdobje, saj se le tako model sreča s precejšim številom situacij a trgu električe eergije [8, 9]. Pri izboru vhodih podatkov se izkaže, da preveliko ali premajho število vhodih podatkov mrežo e auči optimalo. Pogosto se zgodi, da so mreže predefiirae i se počasi ali pa sploh e odzivajo a spremembe a trgu. Zgodi se tudi, da premajho število vhodih podatkov e povzame vseh iformacij, ki se dogajajo a trgu. V primeru modela opisaega v člaku smo za vhode podatke uporabili ceo električe eergije sosedjih držav, vetro i sočo proizvodjo, razpoložljivost proizvodih eot posamezega tipa, odjem električe eergije, cee goriv (afta, premog, zemeljski pli) ter ceo emisijskih CO 2 kupoov. Izkušje z evroskimi mrežami as učijo, da je pogostost kalibracije modela ključega pomea, zato je potrebo mrežo večkrat učiti (pr. 1x tedesko). 5
6 III. REZULTATI Model več ivojskih evroskih mrež smo učili i testirali učikovitost jegovega apovedovaja a podatkih z EPEX Spot borze. Rezultate smo primerjali z regresijskim ARIMA modelom, pri čemer smo uporabili eake spremeljivke kot pri evroskih mrežah, i aivim modelom. Naivi model je postopek določaja cee električe eergije za da v aprej i tako, da predpostavimo, da bo cea v asledjem devu eaka cei treutega de. Upoštevajoč začilost cee električe eergije, da je ob vikedih precej različa od cee med delavikom, določimo pri aivem modelu ceo sobote, edelje i poedeljka, tako, da predpostavimo eako ceo kot v istoležem devu v preteklem tedu. Medtem, ko je uspešost ARIMA modelov odvisa od liearosti med vhodimi i izhodimi podatki, lahko umete evroske mreže aproksimirajo katerokoli eliearo fukcijo, s tem pa se apovedovaje ce električe eergije izboljša. Obdobje učeja je bilo izbrao od do (perioda učeja), tako za evrosko mrežo kot za ARIMA regresijski model. Učikovitost apovedovaja je bila testiraa a obdobju od do (perioda testiraja modela), torej a obdobju a katerem se oba modela ista učila. Kriterija s katerima določamo učikovitost apovedovaja sta kazalika povpreča absoluta apaka (MAE) i povpreča relativa apaka (MAPE). MAE = 1 f i y i, MAPE = 1 f i y i. (8) y i i=1 i=1 Absoluta apaka več ivojske evroske mreže a uri ločljivosti med apovedjo i realizirao ceo električe eergije a EPEX Spot borzi v testi periodi je prikazaa a sliki 6. Porazdelitev absolutih apak, absolutih vredosti absolutih apak i absolutih vredosti relativih apak je prikazaa a sliki 7. Poleg tega sta a sliki prikazai tudi povprečji MAE i MAPE. Slika 4: Absoluta apaka apovedi evroske mreže v primerjavi z realizacijo a uri ločljivosti za periodo testiraja Slika 5: Porazdelitev absolutih, absolutih vredosti absolutih apak i absolutih vredosti relativih apak iz slike 6 Porazdelitev relativih apak več ivojske umete evroske mreže glede a uro v devu i glede a da v tedu prikazujeta sliki 8 i 9. Poovo gre samo za podatke za testo obdobje od do , ki iso bili del uče možice podatkov. Rdeča črta a slikah 8 i 9 prikazuje mediao, z modrim pravokotikom je ozače iterval 25 % i 75 % verjetosti, sive prekijee črte predstavljajo celote set podatkov, brez izločeih osamelcev, ki so ozačei z rdečimi križci. Izkaže se, da i bistveih odstopaj med posamezimi urami ali devi v tedu. 6
7 Slika 6: Porazdelitev relativih apak glede a uro v devu za set podatkov izve uče možice podatkov Slika 7: Porazdelitev relativih apak glede a da v tedu za set podatkov izve uče možice podatkov Primerjavo med vsemi modeli a uri i devi ločljivosti prikazuje tabela 1, v kateri je vida višja atačost i posledičo večja dodaa vredost več ivojskih evroskih mrež v primerjavi z običajimi regresijskimi modeli. Nevroska mreža je v testi periodi 38-ih di apovedala ceo električe eergije z MAE = 2.49 /MWh i MAPE = 8.39 % a uri ravi ter z MAE = 0.94 /MWh i MAPE = 2.76 % a devi ravi, kjer je deva rave izračuaa kot povprečje urih ce zotraj deva. Uporabost dobre apovedi a devi ravi se izkaže pri trgovaju s stadardimi produkti pasove eergije. Tabela 1: Primerjava različih modelov apovedovaja električe eergije za da v aprej v testem obdobju od do Ura rave Deva rave Model MAE [ /MWh] MAPE [%] MAE [ /MWh] MAPE [%] Naivi Regresijski (ARIMA) Več ivojska ANN Model umete evroske mreže je možo poleg apovedovaja cee za da v aprej uporabiti tudi za daljše časovo obdobje. Časovo oko uporabe takega modela je do 14 di vaprej, saj takšo obdobje še dovolj kvaliteto prekrivajo tudi sredjeroče meteorološke apovedi. IV. SKLEP Člaek opisuje model več ivojske umete evroske mreže za kratkoročo apovedovaje ce električe eergije. Posamezi ivo je določe diamičo, glede a razpoložljive proizvodje eote posamezega tipa goriva ter eergijo iz obovljivih virov v posamezi uri i je v modelu kratkoročega apovedovaja električe eergije predstavlje s samostojo umeto evrosko mrežo (ANN). Na podlagi rezultatov aalize ugotavljamo, da uporaba kombiacije evroskih mrež predstavlja robuste i stabile sistem za apovedovaje ce električe eergije. Poleg tega se izkaže, da več ivojska evroska mreža priaša atačejše apovedovaje od tradicioalih aivih modelov, regresijskih ARIMA modelov i tudi od evroske mreže z eim samim modelskim ivojem. 7
8 Obdobje učeja za model opisa v člaku je bil izbra od do Testo obdobje za aalizo atačosti apovedovaja je bilo izbrao od do , a katerem se modeli iso učili. Povpreča absoluta vredost relative apake a devi ravi v testem obdobju je MAPE = 2.76 % i povpreča absoluta vredost absolute apake MAE = 0.94 /MWh, uporabost česar se kaže pri trgovaju s stadardimi produkti pasove eergije. Možost adgradje modela je v avtomatiziraem vsakodevem učeju evroske mreže i izbire vhodim podatkov za posameze modelski ivo. Pri tem bi se izbrali tisti vhodi podatki, ki bi v daem obdobju ajboljše korelirali s ceo električe eergije i s katerimi bi bila apaka apovedi ajižja. Vse večja volatilosti ce a devem trgu pomei tudi več priložosti za trgovaje. Kljub temu pa bo volatile cee vse težje apovedovati. Zaradi tega bodo modeli, ki zajo upoštevati eliearost povezav med vhodimi spremeljivkami i ceo električe eergije še bolj pomembi i ključi za uspeh pri trgovaju. REFERENCE [1] Azoff, E. M., Neural Network Time Series Forecastig of Fiacial Markets, Joh Wiley & Sos, [2] K. Chug-Mig i H. White, Artificial Neural Networks, A Ecoometric Perspective,UCSD Discussio Paper, Jue [3] F. Gao, X. Gua, X.R. Cao i A. Papalexopoulos, Forecastig Power Market Clearig Price ad Quatity Usig a Neural Network Method, Proc. IEEE Power Egieerig Society Summer Meetigs, Seattle, WA, , [4]»Artificial Neural Network«( ), [5] H.Y. Yami, S.M. Shahidehpour i Z. Li, Adaptative Short-Term Electricity Price Forecastig Usig Artificial Neural Networks i the Restructured Power Markets, Electrical Power ad Eergy System, Vol. 26, Issue 8, , [6] J. Catalao, S. Mariao, V. Meders i L. Ferreira, A Artificial Neural Network Approach for Day- Ahead Electricity Prices Forecastig, WSEAS Trasactios o Systems, Issue 4, Vol. 4, [7] R. Arora, Artificial Neural Networks for Forecastig Stock Price, Idia Istitute of Techology, Kapur, [8] A. Adebiyi Ayodele, K. Ayo Charles, O. Adebiyi Mario i O. Otokiti Suday, Stock Price Predictio usig Neural Network with Hybridized Market Idicators, Joural of Emergig Treds i Computig ad Iformatio Scieces, Vol. 3, No. 1., [9] E. N. Chogumaira i T. Hiyama, Short-Term Electricity Price Forecastig Usig a Combiatio of Neural Networks ad Fuzzy Iferece, Eergy ad Power Egieerig, Vol. 3, 9-16,
Solutions. Name and surname: Instructions
Uiversity of Ljubljaa, Faculty of Ecoomics Quatitative fiace ad actuarial sciece Probability ad statistics Writte examiatio September 4 th, 217 Name ad surame: Istructios Read the problems carefull before
More informationInferenčna statistika
Raziskovala metodologija v fizioterapiji Predavaje 3 Ifereča statistika Ištitut za biostatistiko i medicisko iformatiko Mediciska fakulteta, Uiverza v Ljubljai Biomska porazdelitev! P(K = k, p) = # " k
More informationENERGY AND MASS SPECTROSCOPY OF IONS AND NEUTRALS IN COLD PLASMA
UDK621.3:(53+54+621 +66), ISSN0352-9045 Informaclje MIDEM 3~(~UU8)4, Ljubljana ENERGY AND MASS SPECTROSCOPY OF IONS AND NEUTRALS IN COLD PLASMA Marijan Macek 1,2* Miha Cekada 2 1 University of Ljubljana,
More informationReševanje problemov in algoritmi
Reševanje problemov in algoritmi Vhod Algoritem Izhod Kaj bomo spoznali Zgodovina algoritmov. Primeri algoritmov. Algoritmi in programi. Kaj je algoritem? Algoritem je postopek, kako korak za korakom rešimo
More informationVerifikacija napovedi padavin
Oddelek za Meteorologijo Seminar: 4. letnik - univerzitetni program Verifikacija napovedi padavin Avtor: Matic Šavli Mentor: doc. dr. Nedjeljka Žagar 26. februar 2012 Povzetek Pojem verifikacije je v meteorologiji
More informationDIOFANTSKE ČETVERICE
Fakulteta za aravoslovje i matematiko Oddelek za matematiko i račualištvo Diplomsko delo DIOFANTSKE ČETVERICE Metor: Doc. dr. Daiel Eremita Kadidatka: Jožica Špec Maribor 009 II ZAHVALA Zahvaljujem se
More informationFUZZY ALTERNATING DIRECTION IMPLICIT METHOD FOR SOLVING PARABOLIC PARTIAL DIFFERENTIAL EQUATIONS IN THREE DIMENSIONS
FUZZY ALTERNATING DIRECTION IMPLICIT METHOD FOR SOLVING PARABOLIC PARTIAL DIFFERENTIAL EQUATIONS IN THREE DIMENSIONS N.Mugutha *1, B.Jessaili Jeba #2 *1 Assistat Professor, Departmet of Mathematics, M.V.Muthiah
More informationAttempt to prepare seasonal weather outlook for Slovenia
Attempt to prepare seasonal weather outlook for Slovenia Main available sources (ECMWF, EUROSIP, IRI, CPC.NCEP.NOAA,..) Two parameters (T and RR anomally) Textual information ( Met Office like ) Issued
More informationDepartment of Pharmacy, Annamalai University, Annamalainagar, Tamil Nadu , India, Received
138 Acta Chim. Slov. 2005, 52, 138 144 Scientific Paper Principal Component Artificial Neural Network Calibration Models for Simultaneous Spectrophotometric Estimation of Phenobarbitone and Phenytoin Sodium
More informationAnaliza oscilatorne stabilnosti elektroenergetskih sistemov z metodo Prony
Elektrotehiški vestik 76(4): 7-76, 29 Electrotechical Review: Ljubljaa, Sloveija Aaliza oscilatore stabilosti elektroeergetskih sistemov z metodo Proy Uroš Keri, Grega Bizjak Fakulteta za elektrotehiko,
More informationMultipla korelacija in regresija. Multipla regresija, multipla korelacija, statistično zaključevanje o multiplem R
Multipla koelacia in egesia Multipla egesia, multipla koelacia, statistično zaklučevane o multiplem Multipla egesia osnovni model in ačunane paametov Z multiplo egesio napoveduemo vednost kiteia (odvisne
More informationNew Particle Swarm Neural Networks Model Based Long Term Electrical Load Forecasting in Slovakia
New Particle Swarm Neural Networks Model Based Log Term Electrical Load Forecastig i Slovakia S.H. OUDJANA 1, A. HELLAL 2 1, 2 Uiversity of Laghouat, Departmet of Electrical Egieerig, Laboratory of Aalysis
More informationMICROWAVE PLASMAS AT ATMOSPHERIC PRESSURE: NEW THEORETICAL DEVELOPMENTS AND APPLICATIONS IN SURFACE SCIENCE
UDK621.3:(53+54+621 +66), ISSN0352-9045 Informacije MIDEM 38(2008)4, Ljubljana MICROWAVE PLASMAS AT ATMOSPHERIC PRESSURE: NEW THEORETICAL DEVELOPMENTS AND APPLICATIONS IN SURFACE SCIENCE T. 8elmonte*,
More informationOA07 ANNEX 4: SCOPE OF ACCREDITATION IN CALIBRATION
OA07 ANNEX 4: SCOPE OF ACCREDITATION IN CALIBRATION Table of contents 1 TECHNICAL FIELDS... 2 2 PRESENTING THE SCOPE OF A CALIBRATION LABOORATORY... 2 3 CONSIDERING CHANGES TO SCOPES... 6 4 CHANGES WITH
More informationProduct Mix Problem with Radom Return and Preference of Production Quantity. Osaka University Japan
Product Mix Problem with Radom Retur ad Preferece of Productio Quatity Hiroaki Ishii Osaka Uiversity Japa We call such fiace or idustrial assets allocatio problems portfolio selectio problems, ad various
More informationOPTIMIRANJE IZDELOVALNIH PROCESOV
OPTIMIRANJE IZDELOVALNIH PROCESOV asist. Damir GRGURAŠ, mag. inž. str izr. prof. dr. Davorin KRAMAR damir.grguras@fs.uni-lj.si Namen vaje: Ugotoviti/določiti optimalne parametre pri struženju za dosego
More informationTOPLJENEC ASOCIIRA LE V VODNI FAZI
TOPLJENEC ASOCIIRA LE V VODNI FAZI V primeru asociacij molekul topljenca v vodni ali organski fazi eksperimentalno določeni navidezni porazdelitveni koeficient (P n ) v odvisnosti od koncentracije ni konstanten.
More informationAn Introduction to Neural Networks
A Itroductio to Neural Networks Referece: B.J.A. Kröse ad P.P. va der Smagt (1994): A Itroductio to Neural Networks, Poglavja 1-5, 6.1, 6.2, 7-8. Systems modellig from data 0 B.J.A. Kröse ad P.P. va der
More informationShort Term Load Forecasting Using Artificial Neural Network And Imperialist Competitive Algorithm
Short Term Load Forecastig Usig Artificial eural etwork Ad Imperialist Competitive Algorithm Mostafa Salamat, Mostafa_salamat63@yahoo.com Javad Mousavi, jmousavi.sh1365@gmail.com Seyed Hamid Shah Alami,
More informationUSING THE DIRECTION OF THE SHOULDER S ROTATION ANGLE AS AN ABSCISSA AXIS IN COMPARATIVE SHOT PUT ANALYSIS. Matej Supej* Milan Čoh
Kinesiologia Slovenica, 14, 3, 5 14 (28) Faculty of Sport, University of Ljubljana, ISSN 1318-2269 5 Matej Supej* Milan Čoh USING THE DIRECTION OF THE SHOULDER S ROTATION ANGLE AS AN ABSCISSA AXIS IN COMPARATIVE
More informationDejan Petelin. Sprotno učenje modelov na podlagi Gaussovih procesov
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Dejan Petelin Sprotno učenje modelov na podlagi Gaussovih procesov DIPLOMSKO DELO NA UNIVERZITETNEM ŠTUDIJU Mentor: doc. dr. Janez Demšar
More informationACTA BIOLOGICA SLOVENICA LJUBLJANA 2012 Vol. 55, [t. 1: 29 34
ACTA BIOLOGICA SLOVENICA LJUBLJANA 2012 Vol. 55, [t. 1: 29 34 Survey of the Lynx lynx distribution in the French Alps: 2005 2009 update Spremljanje razširjenosti risa v francoskih Alpah: 2005 2009 Eric
More informationINTELLIGENTNI SISTEMI NEVRONSKE MREŽE IN KLASIFIKACIJA. Nevronske mreže Prof. Jurij F. Tasič Emil Plesnik
INTELLIGENTNI SISTEMI NEVRONSKE MREŽE IN KLASIFIKACIJA Nevronske mreže Prof. Jurij F. Tasič Emil Plesnik 1 Uvod Umetne nevronske mreže ang. Artificial Neural Networks (ANN) Preračunavanje povezav Vzporedno
More informationFree Space Optical Wireless Communications under Turbulence Channel Effect
IOSR Joural of Electroics ad Commuicatio Egieerig (IOSR-JECE) e-issn: 78-834,p- ISSN: 78-8735.Volume 9, Issue 3, Ver. III (May - Ju. 014), PP 01-08 Free Space Optical Wireless Commuicatios uder Turbulece
More informationEvapotranspiration Estimation Using Support Vector Machines and Hargreaves-Samani Equation for St. Johns, FL, USA
Evirometal Egieerig 0th Iteratioal Coferece eissn 2029-7092 / eisbn 978-609-476-044-0 Vilius Gedimias Techical Uiversity Lithuaia, 27 28 April 207 Article ID: eviro.207.094 http://eviro.vgtu.lt DOI: https://doi.org/0.3846/eviro.207.094
More informationForecasting SO 2 air pollution in Salamanca, Mexico using an ADALINE.
Iovative Productio Machies ad Systems D.T. Pham, E.E. Eldukhri ad A.J. Soroka (eds) 2008 MEC. Cardiff Uiversity, UK. Forecastig SO 2 air pollutio i Salamaca, Mexico usig a ADALINE. M.G. Cortia a, U.S.
More informationJEDRSKA URA JAN JURKOVIČ. Fakulteta za matematiko in fiziko Univerza v Ljubljani
JEDRSKA URA JAN JURKOVIČ Fakulteta za matematiko in fiziko Univerza v Ljubljani Natančnost časa postaja vse bolj uporabna in pomembna, zato se rojevajo novi načini merjenja časa. Do danes najbolj natančnih
More informationActa Chim. Slov. 2003, 50,
771 IMPACT OF STRUCTURED PACKING ON BUBBE COUMN MASS TRANSFER CHARACTERISTICS EVAUATION. Part 3. Sensitivity of ADM Volumetric Mass Transfer Coefficient evaluation Ana akota Faculty of Chemistry and Chemical
More information( ) (( ) ) ANSWERS TO EXERCISES IN APPENDIX B. Section B.1 VECTORS AND SETS. Exercise B.1-1: Convex sets. are convex, , hence. and. (a) Let.
Joh Riley 8 Jue 03 ANSWERS TO EXERCISES IN APPENDIX B Sectio B VECTORS AND SETS Exercise B-: Covex sets (a) Let 0 x, x X, X, hece 0 x, x X ad 0 x, x X Sice X ad X are covex, x X ad x X The x X X, which
More informationTHE USE OF THE HOOK-JEEVES METHOD FOR THE CALCULATION OF COMPLEX NONLINEAR EQUIVALENT MAGNETIC CIRCUITS
JET Volume 0 (07) p.p. -8 Issue, Jue 07 Type o article.0 www.e.um.si/e/jet.html THE USE O THE HOOK-JEEVES METHOD OR THE CALCULATION O COMPLEX NONLINEAR EQUIVALENT MAGNETIC CIRCUITS UPORABA METODE HOOK
More informationmodeli regresijske analize nominalnih spremenljivk
modeli regresijske analize nominalnih spremenljivk Cveto Trampuž An Illustrative Comparison Logit Analysis with Dummy Variable Regression Analysis. Two different regression models in which the dependent
More informationLINEAR REGRESSION ANALYSIS. MODULE IX Lecture Multicollinearity
LINEAR REGRESSION ANALYSIS MODULE IX Lecture - 9 Multicolliearity Dr Shalabh Departmet of Mathematics ad Statistics Idia Istitute of Techology Kapur Multicolliearity diagostics A importat questio that
More informationZgoščevanje podatkov
Zgoščevanje podatkov Pojem zgoščevanje podatkov vključuje tehnike kodiranja, ki omogočajo skrajšan zapis neke datoteke. Poznan program za zgoščevanje datotek je WinZip. Podatke je smiselno zgostiti v primeru
More informationIskanje najcenejše poti v grafih preko polkolobarjev
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Veronika Horvat Iskanje najcenejše poti v grafih preko polkolobarjev DIPLOMSKO DELO VISOKOŠOLSKI STROKOVNI ŠTUDIJSKI PROGRAM PRVE STOPNJE
More informationLatched recurrent neural network
Elektrotehniški vestnik 7(-2: 46 5, 23 Electrotechnical Review, Ljubljana, Slovenija Latched recurrent neural network Branko Šter University of Ljubljana, Faculty of Computer and Information Science, Laboratory
More informationSimulation of multilayer coating growth in an industrial magnetron sputtering system
RMZ Materials and Geoenvironment, Vol. 57, No. 3, pp. 317 330, 2010 317 Simulation of multilayer coating growth in an industrial magnetron sputtering system Simulacija rasti večplastnih prevlek v industrijski
More informationIntermittent demand forecasting by using Neural Network with simulated data
Proceedigs of the 011 Iteratioal Coferece o Idustrial Egieerig ad Operatios Maagemet Kuala Lumpur, Malaysia, Jauary 4, 011 Itermittet demad forecastig by usig Neural Network with simulated data Nguye Khoa
More informationDomen Perc. Implementacija in eksperimentalna analiza tehnike razvrščanja podatkov s konsenzom
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Domen Perc Implementacija in eksperimentalna analiza tehnike razvrščanja podatkov s konsenzom DIPLOMSKO DELO NA UNIVERZITETNEM ŠTUDIJU Mentor:
More informationAs metioed earlier, directly forecastig o idividual product demads usually result i a far-off forecast that ot oly impairs the quality of subsequet ma
Semicoductor Product-mix Estimate with Dyamic Weightig Scheme Argo Che, Ziv Hsia ad Kyle Yag Graduate Istitute of Idustrial Egieerig, Natioal Taiwa Uiversity Roosevelt Rd. Sec. 4, Taipei, Taiwa, 6 ache@tu.edu.tw
More informationOcena bilance vode v sistemu reformer/gorivne celice
ELEKTRTEHNIŠKI ESTNIK 78(-): 6-66, 0 EXISTING SEPARATE ENGLISH EDITIN cea bilace vode v sisteu reforer/gorive celice Aljaž Čufar, ladiir Jova Uiverza v Ljubljai, Fakulteta za ateatiko i fiziko, Jadraska
More informationResearch on Dependable level in Network Computing System Yongxia Li 1, a, Guangxia Xu 2,b and Shuangyan Liu 3,c
Applied Mechaics ad Materials Olie: 04-0-06 ISSN: 66-748, Vols. 53-57, pp 05-08 doi:0.408/www.scietific.et/amm.53-57.05 04 Tras Tech Publicatios, Switzerlad Research o Depedable level i Network Computig
More informationMBACATÓLICA. Quantitative Methods. Faculdade de Ciências Económicas e Empresariais UNIVERSIDADE CATÓLICA PORTUGUESA 9. SAMPLING DISTRIBUTIONS
MBACATÓLICA Quatitative Methods Miguel Gouveia Mauel Leite Moteiro Faculdade de Ciêcias Ecoómicas e Empresariais UNIVERSIDADE CATÓLICA PORTUGUESA 9. SAMPLING DISTRIBUTIONS MBACatólica 006/07 Métodos Quatitativos
More informationModeling and Control of Instabilities in Combustion Processes Modeliranje in upravljanje nestabilnosti v procesih zgorevanja
Izvirni znanstveni članek TEHNIKA - nestabilni termoakustični procesi zgorevanja Datum prejema: 30. julij 2014 ANALI PAZU 4/ 2014/ 1: 34-40 www.anali-pazu.si Modeling and Control of Instabilities in Combustion
More informationFuzzy Shortest Path with α- Cuts
Iteratioal Joural of Mathematics Treds ad Techology (IJMTT) Volume 58 Issue 3 Jue 2018 Fuzzy Shortest Path with α- Cuts P. Sadhya Assistat Professor, Deptt. Of Mathematics, AIMAN College of Arts ad Sciece
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Primerjava modernih pristopov za identifikacijo pomembno izraženih genov za dve skupini (Comparison
More informationA L A BA M A L A W R E V IE W
A L A BA M A L A W R E V IE W Volume 52 Fall 2000 Number 1 B E F O R E D I S A B I L I T Y C I V I L R I G HT S : C I V I L W A R P E N S I O N S A N D TH E P O L I T I C S O F D I S A B I L I T Y I N
More informationElectricity consumption forecasting method based on MPSO-BP neural network model Youshan Zhang 1, 2,a, Liangdong Guo2, b,qi Li 3, c and Junhui Li2, d
4th Iteratioal Coferece o Electrical & Electroics Egieerig ad Computer Sciece (ICEEECS 2016) Electricity cosumptio forecastig method based o eural etwork model Yousha Zhag 1, 2,a, Liagdog Guo2, b,qi Li
More informationA New Simulation Model of Rician Fading Channel Xinxin Jin 1,2,a, Yu Zhang 1,3,b, Changyong Pan 4,c
6 Iteratioal Coferece o Iformatio Egieerig ad Commuicatios Techology (IECT 6 ISB: 978--6595-375-5 A ew Simulatio Model of Ricia Fadig Chael Xixi Ji,,a, Yu Zhag,3,b, Chagyog Pa 4,c Tsighua atioal Laboratory
More informationNIKJER-NIČELNI PRETOKI
UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA ALJA ŠUBIC NIKJER-NIČELNI PRETOKI DIPLOMSKO DELO LJUBLJANA, 2016 UNIVERZA V LJUBLJANI PEDAGOŠKA FAKULTETA Dvopredmetni učitelj: matematika - računalništvo ALJA
More informationSaponification Reaction System: a Detailed Mass Transfer Coefficient Determination
DOI: 10.17344/acsi.2014.1110 Acta Chim. Slov. 2015, 62, 237 241 237 Short communication Saponification Reaction System: a Detailed Mass Transfer Coefficient Determination Darja Pe~ar* and Andreja Gor{ek
More informationGrey Correlation Analysis of China's Electricity Imports and Its Influence Factors Hongjing Zhang 1, a, Feng Wang 1, b and Zhenkun Tian 1, c
Applied Mechaics ad Materials Olie: 203-0-3 ISSN: 662-7482, Vols. 448-453, pp 258-262 doi:0.4028/www.scietific.et/amm.448-453.258 204 Tras Tech Publicatios, Switzerlad Grey Correlatio Aalysis of Chia's
More informationReliability model of organization management chain of South-to-North Water Diversion Project during construction period
Water Sciece ad Egieerig, Dec. 2008, Vol. 1, No. 4, 107-113 ISSN 1674-2370, http://kkb.hhu.edu.c, e-mail: wse@hhu.edu.c Reliability model of orgaizatio maagemet chai of South-to-North Water Diversio Project
More informationMolecular Mechanisms of Gas Diffusion in CO 2 Hydrates
Supportig Iformatio Molecular Mechaisms of Gas Diffusio i CO Hydrates Shuai Liag, * Deqig Liag, Negyou Wu,,3 Lizhi Yi, ad Gaowei Hu,3 Key Laboratory of Gas Hydrate, Guagzhou Istitute of Eergy Coversio,
More informationKatja Tuma Generiranje in reševanje sudokuja
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Katja Tuma Generiranje in reševanje sudokuja DIPLOMSKO DELO UNIVERZITETNI BOLONJSKI ŠTUDIJSKI PROGRAM PRVE STOPNJE RAČUNALNIŠTVA IN INFORMATIKE
More informationPerformance Comparison of Short Term Load Forecasting Techniques
Vol 9, No 4 (06), pp87-30 http://ddoiorg/0457/ijgdc06946 Performace Compariso of Short Term Load Forecastig Techiques Kumar Reddy Cheepati * ad T Nageswara Prasad *Asst Professor, Dept of EEE, SVEC, Tirupathi,
More informationCEE 522 Autumn Uncertainty Concepts for Geotechnical Engineering
CEE 5 Autum 005 Ucertaity Cocepts for Geotechical Egieerig Basic Termiology Set A set is a collectio of (mutually exclusive) objects or evets. The sample space is the (collectively exhaustive) collectio
More informationPrileganje in poravnava
Uverza v Ljublja Fakulea za elekroehko Prmer: prlegaje premc Prlegaje poravava Saslav Kovačč hp://vso.fe.u-lj.s/ Imamo deekcje očk vzdolž premce Določamo paramere premce ( famo ) Slde from Slvo Savarese
More informationUNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE. Ekstremne porazdelitve za odvisne spremenljivke
UNIVERZA NA PRIMORSKEM FAKULTETA ZA MATEMATIKO, NARAVOSLOVJE IN INFORMACIJSKE TEHNOLOGIJE Zaključna naloga Ekstremne porazdelitve za odvisne spremenljivke (Extremal Distributions for Dependent Variables)
More informationEconomy and Application of Chaos Theory
Iteratioal Joural of Busiess, Humaities ad Techology Vol. 5, No. 5; October 2015 Ecoomy ad Applicatio of Chaos Theory Petr Dostál Bro Uiversity of Techology Faculty of Busiess ad Maagemet Istitute of Iformatics
More informationA Cobb - Douglas Function Based Index. for Human Development in Egypt
It. J. Cotemp. Math. Scieces, Vol. 7, 202, o. 2, 59-598 A Cobb - Douglas Fuctio Based Idex for Huma Developmet i Egypt E. Khater Istitute of Statistical Studies ad Research Dept. of Biostatistics ad Demography
More informationUsmerjene nevronske mreže: implementacija in uporaba
Seminar - 4. letnik Usmerjene nevronske mreže: implementacija in uporaba Avtor: Miha Marolt Mentorja: Marko Žnidarič, Drago Kuzman Kranj, 24.4.2010 Povzetek Usmerjena večnivojska nevronska mreˇza(uvnm)
More informationOn the Determinants and Inverses of Skew Circulant and Skew Left Circulant Matrices with Fibonacci and Lucas Numbers
WSEAS TRANSACTIONS o MATHEMATICS Yu Gao Zhaoli Jiag Yapeg Gog O the Determiats ad Iverses of Skew Circulat ad Skew Left Circulat Matrices with Fiboacci ad Lucas Numbers YUN GAO Liyi Uiversity Departmet
More informationUPORABA STROJNEGA UČENJA PRI ANALIZI VREDNOSTNIH PAPIRJEV
UNIVERZA V LJUBLJANI EKONOMSKA FAKULTETA MAGISTRSKO DELO UPORABA STROJNEGA UČENJA PRI ANALIZI VREDNOSTNIH PAPIRJEV V Ljubljani, september 2006 Dragan Šmigič I IZJAVA Študent Dragan Šmigič izjavljam, da
More informationGrafični gradnik za merjenje kvalitete klasifikatorja s pomočjo krivulj
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Miha Biček Grafični gradnik za merjenje kvalitete klasifikatorja s pomočjo krivulj DIPLOMSKO DELO NA UNIVERZITETNEM ŠTUDIJU Mentor: doc. dr.
More informationInstantaneous Gradient Based Dual Mode Feed-Forward Neural Network Blind Equalization Algorithm
esearch Joural of Applied Scieces, Egieerig ad Techology 5(: 67-675, 03 ISSN: 040-7459; E-ISSN: 040-7467 Mawell Scietific Orgaizatio, 03 Submitted: May 30, 0 Accepted: Jue 3, 0 Published: Jauary, 03 Istataeous
More informationSamo-nastavljivo vodenje z DMC-jem in proporcionalnim regulatorjem
Samo-nastavljivo vodenje z DMC-jem in proporcionalnim Matija Arh, Igor Škrjanc Fakulteta za elektrotehniko, Univerza v Ljubljani Tržaška cesta 25, 1000 Ljubjana matija.arh@fe.uni-lj.si, igor.skrjanc@fe.uni-lj.si
More informationRAINFALL PREDICTION BY WAVELET DECOMPOSITION
RAIFALL PREDICTIO BY WAVELET DECOMPOSITIO A. W. JAYAWARDEA Departmet of Civil Egieerig, The Uiversit of Hog Kog, Hog Kog, Chia P. C. XU Academ of Mathematics ad Sstem Scieces, Chiese Academ of Scieces,
More informationManagerial D-M: Measuring of risk scenes and tools of their reducing
Maagerial D-M: Measurig of risk scees ad tools of their reducig Dusa Marcek 1, Alexadra Kotillová 2, Michal Ulbricht 2 Abstract. The paper is cocered with measurig ad assessmet of risk scees i maagerial
More informationCalculation of stress-strain dependence from tensile tests at high temperatures using final shapes of specimen s contours
RMZ Materials and Geoenvironment, Vol. 59, No. 4, pp. 331 346, 2012 331 Calculation of stress-strain dependence from tensile tests at high temperatures using final shapes of specimen s contours Določitev
More information2 Zaznavanje registrske tablice
Razpoznavanje avtomobilskih registrskih tablic z uporabo nevronskih mrež Matej Kseneman doc. dr. Peter Planinšič, mag. Tomaž Romih, doc. dr. Dušan Gleich (mentorji) Univerza v Mariboru, Laboratorij za
More informationMatej Gutman. Izvedba nevronske mreže s programirljivimi vezji FPGA. diplomsko delo na univerzitetnem študiju. mentor: doc. dr.
UNIVERZA V LJUBLJANI FAKULTETA ZA RAČUNALNIŠTVO IN INFORMATIKO Matej Gutman Izvedba nevronske mreže s programirljivimi vezji FPGA diplomsko delo na univerzitetnem študiju mentor: doc. dr. Uroš Lotrič Ljubljana,
More informationSYSTEMATIC SAMPLING FOR NON-LINEAR TREND IN MILK YIELD DATA
Joural of Reliability ad Statistical Studies; ISS (Prit): 0974-804, (Olie):9-5666 Vol. 7, Issue (04): 57-68 SYSTEMATIC SAMPLIG FOR O-LIEAR TRED I MILK YIELD DATA Tauj Kumar Padey ad Viod Kumar Departmet
More informationProblem umetnostne galerije
Problem umetnostne galerije Marko Kandič 17. september 2006 Za začetek si oglejmo naslednji primer. Recimo, da imamo v galeriji polno vrednih slik in nočemo, da bi jih kdo ukradel. Seveda si želimo, da
More informationUvod v odkrivanje znanj iz podatkov (zapiski predavatelja, samo za interno uporabo)
Uvod v odkrivanje znanj iz podatkov (zapiski predavatelja, samo za interno uporabo) Blaž Zupan 29. julij 2017 Kazalo 1 Odkrivanje skupin 7 1.1 Primer podatkov.................................. 7 1.2 Nekaj
More informationProbability of error for LDPC OC with one co-channel Interferer over i.i.d Rayleigh Fading
IOSR Joural of Electroics ad Commuicatio Egieerig (IOSR-JECE) e-issn: 2278-2834,p- ISSN: 2278-8735.Volume 9, Issue 4, Ver. III (Jul - Aug. 24), PP 59-63 Probability of error for LDPC OC with oe co-chael
More informationCveto Trampuž PRIMERJAVA ANALIZE VEČRAZSEŽNIH TABEL Z RAZLIČNIMI MODELI REGRESIJSKE ANALIZE DIHOTOMNIH SPREMENLJIVK
Cveto Trampuž PRIMERJAVA ANALIZE VEČRAZSEŽNIH TABEL Z RAZLIČNIMI MODELI REGRESIJSKE ANALIZE DIHOTOMNIH SPREMENLJIVK POVZETEK. Namen tega dela je prikazati osnove razlik, ki lahko nastanejo pri interpretaciji
More informationA Unified Approach on Fast Training of Feedforward and Recurrent Networks Using EM Algorithm
2270 IEEE TRASACTIOS O SIGAL PROCESSIG, VOL. 46, O. 8, AUGUST 1998 [12] Q. T. Zhag, K. M. Wog, P. C. Yip, ad J. P. Reilly, Statistical aalysis of the performace of iformatio criteria i the detectio of
More informationWeighted Fuzzy Time Series Model for Load Forecasting
NCITPA 25 Weighted Fuzzy Time Series Model for Load Forecasting Yao-Lin Huang * Department of Computer and Communication Engineering, De Lin Institute of Technology yaolinhuang@gmail.com * Abstract Electric
More informationSymmetric Two-User Gaussian Interference Channel with Common Messages
Symmetric Two-User Gaussia Iterferece Chael with Commo Messages Qua Geg CSL ad Dept. of ECE UIUC, IL 680 Email: geg5@illiois.edu Tie Liu Dept. of Electrical ad Computer Egieerig Texas A&M Uiversity, TX
More information1. Linearization of a nonlinear system given in the form of a system of ordinary differential equations
. Liearizatio of a oliear system give i the form of a system of ordiary differetial equatios We ow show how to determie a liear model which approximates the behavior of a time-ivariat oliear system i a
More informationElectric Power-System Inertia Estimation applying WAMS
Univerza v Ljubljani Fakulteta za elektrotehniko Teodora Dimitrovska Electric Power-System Inertia Estimation applying WAMS Master's thesis Mentor: doc. dr. Urban Rudež Co-mentor: prof. dr. Rafael Mihalič
More information15-780: Graduate Artificial Intelligence. Density estimation
5-780: Graduate Artificial Itelligece Desity estimatio Coditioal Probability Tables (CPT) But where do we get them? P(B)=.05 B P(E)=. E P(A B,E) )=.95 P(A B, E) =.85 P(A B,E) )=.5 P(A B, E) =.05 A P(J
More informationSize, shape and temperature effect on nanomaterials
Idia Joural of Pure & Applied Physics Vol. 53, November 2015, pp. 768-775 Size, shape ad temperature effect o aomaterials G Sharma, S Bhatt, R Kumar & M Kumar* Departmet of Physics, G.B. Pat Uiversity
More informationMODELIRANJE IN SIMULACIJA TER NJUNA UPORABA V MEDICINI IN FARMACIJI
Zdrav Vestn 28; 77: 57 71 57 Pregledni prispevek/review article MODELIRANJE IN SIMULACIJA TER NJUNA UPORABA V MEDICINI IN FARMACIJI USAGE OF MODELLING AND SIMULATION IN MEDICINE AND PHARMACY Maja Atanasijević-Kunc
More informationDetermination of Manning s Flow Resistance Coefficient for Rivers in Malaysia
Determiatio of Maig s Flow Resistace Coefficiet for Rivers i Malaysia AHMAD BAKRI ABDUL GHAFFAR, Research Studet, School of Civil Egieerig, Uiversiti Sais Malaysia, Egieerig Campus, Seri Ampaga, 143 Nibog
More informationZDRAVLJENJE BOLNICE S VON WILLEBRANDOVO BOLEZNIJO TIPA 3 IN INHIBITORJI
ZDRAVLJENJE BOLNICE S VON WILLEBRANDOVO BOLEZNIJO TIPA 3 IN INHIBITORJI B. Faganel Kotnik, L. Kitanovski, J. Jazbec, K. Strandberg, M. Debeljak, Bakija, M. Benedik Dolničar A. Trampuš Laško, 9. april 2016
More informationLinearne enačbe. Matrična algebra. Linearne enačbe. Linearne enačbe. Linearne enačbe. Linearne enačbe
Sistem linearnih enačb Matrična algebra Oseba X X X3 B A.A. 3 B.B. 7 C.C. Doc. dr. Anja Podlesek Oddelek za psihologijo, Filozofska fakulteta, Univerza v Ljubljani Študijski program prve stopnje Psihologija
More informationPREDICTION OF SUPERCONDUCTING TRANSITION TEMPERATURE USING A MACHINE-LEARNING METHOD
UDK 620:538.945.91 ISSN 1580-2949 Original scientific article/izvirni znanstveni ~lanek MTAEC9, 52(5)639(2018) Y. LIU et al.: PREDICTION OF SUPERCONDUCTING TRANSITION TEMPERATURE USING A MACHINE-LEARNING
More informationAnaliza variance in linearna regresija
Analiza variance in linearna regresija Aleš Žiberna 28. november 2011 Kazalo 1 Uporabljeni podatki 2 2 Analiza variance (ANOVA) 2 2.1 Enofaktorska analiza variance za neodvisne vzorce....... 3 2.2 Večfaktorska
More informationT h e C S E T I P r o j e c t
T h e P r o j e c t T H E P R O J E C T T A B L E O F C O N T E N T S A r t i c l e P a g e C o m p r e h e n s i v e A s s es s m e n t o f t h e U F O / E T I P h e n o m e n o n M a y 1 9 9 1 1 E T
More information(Received )
79 Acta Chim. Slov. 1997, 45(1), pp. 79-84 (Received 28.1.1999) THE INFLUENCE OF THE PROTEINASE INHIBITOR EP475 ON SOME MORPHOLOGICAL CHARACTERISTICS OF POTATO PLANTS (Solanum tuberosum L. cv. Desirée)
More informationSignal Processing in Mechatronics. Lecture 3, Convolution, Fourier Series and Fourier Transform
Sigal Processig i Mechatroics Summer semester, 1 Lecture 3, Covolutio, Fourier Series ad Fourier rasform Dr. Zhu K.P. AIS, UM 1 1. Covolutio Covolutio Descriptio of LI Systems he mai premise is that the
More informationComparison Forecasting with Double Exponential Smoothing and Artificial Neural Network to Predict the Price of Sugar
Comparison Forecasting with Double Exponential Smoothing and Artificial Neural Network to Predict the Price of Sugar Fauziah Nasir Fauziah *, Aris Gunaryati Universitas Nasional Sawo Manila, South Jakarta.
More informationKlemen Kregar, Mitja Lakner, Dušan Kogoj KEY WORDS
G 2014 V ROTACIJA Z ENOTSKIM KVATERNIONOM GEODETSKI VESTNIK letn. / Vol. 58 št. / No. 2 ROTATION WITH UNIT QUATERNION 58/2 Klemen Kregar, Mitja Lakner, Dušan Kogoj UDK: 512.626.824:528 Klasifikacija prispevka
More informationOFF-LINE NALOGA NAJKRAJŠI SKUPNI NADNIZ
1 OFF-LINE NALOGA NAJKRAJŠI SKUPNI NADNIZ Opis problema. Danih je k vhodnih nizov, ki jih označimo s t 1,..., t k. Množico vseh znakov, ki se pojavijo v vsaj enem vhodnem nizu, imenujmo abeceda in jo označimo
More informationStudy on Coal Consumption Curve Fitting of the Thermal Power Based on Genetic Algorithm
Joural of ad Eergy Egieerig, 05, 3, 43-437 Published Olie April 05 i SciRes. http://www.scirp.org/joural/jpee http://dx.doi.org/0.436/jpee.05.34058 Study o Coal Cosumptio Curve Fittig of the Thermal Based
More informationEkstrakcija časovnega znanja iz dogodkov v spletnih novicah
Univerza v Ljubljani Fakulteta za računalništvo in informatiko Kristijan Mirčeta Ekstrakcija časovnega znanja iz dogodkov v spletnih novicah DIPLOMSKO DELO UNIVERZITETNI ŠTUDIJSKI PROGRAM PRVE STOPNJE
More informationA STUDY ON MHD BOUNDARY LAYER FLOW OVER A NONLINEAR STRETCHING SHEET USING IMPLICIT FINITE DIFFERENCE METHOD
IRET: Iteratioal oural of Research i Egieerig ad Techology eissn: 39-63 pissn: 3-7308 A STUDY ON MHD BOUNDARY LAYER FLOW OVER A NONLINEAR STRETCHING SHEET USING IMPLICIT FINITE DIFFERENCE METHOD Satish
More information21.1 Scilab Brownov model 468 PRILOGA. By: Dejan Dragan [80] // brown.m =========================== function brown(d,alfa) fakt = 5;
Poglavje 21 PRILOGA 468 PRILOGA 21.1 Scilab By: Dejan Dragan [80] 21.1.1 Brownov model // brown.m =========================== function brown(d,alfa) fakt = 5; N = length(d); t = [1:1:N]; // izhodi prediktor-filtra
More informationPaper SD-07. Key words: upper tolerance limit, order statistics, sample size, confidence, coverage, maximization
SESUG 203 Paper SD-07 Maximizig Cofidece ad Coverage for a Noparametric Upper Tolerace Limit for a Fixed Number of Samples Deis J. Beal, Sciece Applicatios Iteratioal Corporatio, Oak Ridge, Teessee ABSTRACT
More information