Ralf Kretzschmar
A Survey of Neural Network Classifiers
for Local Wind Prediction.
1. Auflage/edition 2002, 226 Seiten/pages, € 64,00. ISBN 3-89649-798-7

Deutsches Abstract:
Die vorliegende Arbeit befasst sich im Allgemeinen mit der Klassifikation von Sensordaten und den damit involvierten Themen überlappende Klassen und ungleiche Klassenverteilungen. Der Schwerpunkt der Arbeit liegt jedoch auf der Vorhersage von lokalen Windgeschwindigkeiten und Windböen.
In einem ersten Teil wird gezeigt, dass für die Handhabung von überlappenden Klassen und ungleichen Klassenverteilungen die hier vorgestellten Variance Controlled Neural Networks und ein geeigneter Einsatz von klassenspezifischen Kostenfunktionen für gewisse Anwendungen zu Verbesserungen führen gegenüber traditionellen Verfahren.
In einem zweiten Teil wird die Vorhersage lokaler Winde als datenbasierte Klassifikationsaufgabe beschrieben. Die damit verbundenen Experimente beschreiben die Auswahl geeigneter Eingangsgrössen, Klassifikatoren und Nachbearbeitungsstrategien und überprüfen das resultierende Verfahren an einer statistisch signifikanten Anzahl von Testbeispielen. Mehrschichtperzeptronen mit klassenspezifischen Kostenfunktionen erweisen sich speziell für die Vorhersage starker Winde als verlässlichste Verfahren. Es werden zudem Hinweise gefunden, dass Datenbeispiele anderer Stationen dazu benutzt werden können, die ungleichen Verteilungen der Windklassen zu beheben. Die gewonnenen Erkenntnisse sind in zwei Rezepten für die lokale Windvorhersage zusammengefasst; ein kurzer Ausblick und Motivation weiterer Forschung runden die Arbeit ab.

English Abstract:
This thesis generally discusses the topics of class overlap and class imbalance for real-world applications with focus on the application of local wind speed and wind gust prediction.
To improve the handling of class overlap and class imbalance, variance controlled neural networks (VCNN) are introduced and class-specific correction (CSC) is applied. Both methods produce classifiers that are more reliable in presence of class overlap and class imbalance than those produced by well-established methods for certain problems.
The application of local wind prediction is formulated as a data-based classification task. The experiments involve the selection of appropriate input features, classifiers, and post-processing methods. The resulting forecast system is benchmarked on statistically significant testing sets for several sites. Multilayer perceptrons involving class-specific correction are found to lead to most accurate predictions, especially for severe winds. The experiments also indicate that samples from other stations can be used to reduce the involved class imbalance in a local training set. As a conclusion, two recipes for local wind prediction are formulated from which a sketch for further work can be derived.

Direkt bestellen bei / to order directly from: Hartung.Gorre@t-online.de

Reihe "Series in Signal and Information Processing" im Hartung-Gorre Verlag