On the Global Convergence of the Parzen-Based Generalized Regression Neural Networks Applied to Streaming Data

2018 ◽  
pp. 25-34
Author(s):  
Jinde Cao ◽  
Leszek Rutkowski
Keyword(s):  
Neural Networks ◽  
Global Convergence ◽  
Streaming Data ◽  
Generalized Regression Neural Networks ◽  
Generalized Regression

scholarly journals Adaptive Trajectory Tracking Control for Quadrotors with Disturbances by Using Generalized Regression Neural Networks

2021 ◽  
Author(s):  
Ivan Lopez-Sanchez ◽  
Francisco Rossomando ◽  
Ricardo Pérez-Alcocer ◽  
Carlos Soria ◽  
Ricardo Carelli ◽  
...  
Keyword(s):  
Neural Networks ◽  
Trajectory Tracking ◽  
Tracking Control ◽  
Trajectory Tracking Control ◽  
Generalized Regression Neural Networks ◽  
Generalized Regression

Discussion of “Generalized regression neural networks for evapotranspiration modelling”

2007 ◽  
Vol 52 (4) ◽  
pp. 825-831 ◽  
Author(s):  
Hafzullah Aksoy ◽  
Aytac Guven ◽  
Ali Aytek ◽  
M. Ishak Yuce ◽  
N. Erdem Unal
Keyword(s):  
Neural Networks ◽  
Generalized Regression Neural Networks ◽  
Generalized Regression

Corporate reputation and market value: Evidence with generalized regression neural networks

2016 ◽  
Vol 46 ◽  
pp. 69-76 ◽  
Author(s):  
Manuel A. Fernández-Gámez ◽  
Antonio M. Gil-Corral ◽  
Federico Galán-Valdivieso
Keyword(s):  
Neural Networks ◽  
Corporate Reputation ◽  
Market Value ◽  
Generalized Regression Neural Networks ◽  
Generalized Regression

scholarly journals Penerapan Generalized Regression Neural Networks untuk Memprediksi Produksi Padi Terhadap Perubahan Iklim

2017 ◽  
Vol 2 (2) ◽  
pp. 117 ◽  
Author(s):  
Muhammad Alkaff ◽  
Yuslena Sari
Keyword(s):  
Neural Networks ◽  
Root Mean Square Error ◽  
Mean Square Error ◽  
Root Mean Square ◽  
Input Data ◽  
Mean Square ◽  
Generalized Regression Neural Networks ◽  
Data Output ◽  
Generalized Regression

Padi sebagai bahan makanan pokok utama bagi masyarakat Indonesia merupakan tanaman pangan yang rentan terhadap perubahan iklim. Pendataan dan perhitungan ramalan hasil produksi padi sangat diperlukan untuk mendukung kebijakan yang berkaitan dengan ketahanan pangan. Penelitian ini bertujuan untuk melakukan peramalan terhadap produksi padi di Kabupaten Barito Kuala sebagai kabupaten penghasil padi terbesar di Kalimantan Selatan dengan menggunakan data iklim sebagai input. Data iklim yang digunakan berasal dari Stasiun Meteorologi Syamsudin Noor, sedangkan sebagai data output adalah data produksi padi dari Badan Pusat Statistika (BPS) Provinsi Kalimantan Selatan. Metode yang digunakan untuk melakukan peramalan produksi padi adalah Generalized Regression Neural Networks (GRNN). Dari hasil pengujian didapatkan nilai Root Mean Square Error (RMSE) sebesar 0,296 dengan menggunakan parameter smoothness bernilai 1.Kata kunci: padi, iklim, Barito Kuala, GRNN, RMSE

Sign in / Sign up

Export Citation Format

Share Document