Nonlinear Model Order Selection: A GMM Clustering Approach Based on a Genetic Version of EM Algorithm

Table 9

RMSE prediction errors measured by five methods of case 3.

Ex. 3 RMSE; Input order (n)		Output order (m)
		0	1	2	3	4
RBF	0	—	0.0913	0.0805	0.1293	0.2905
	1	0.0901	0.0900	0.0819	0.1834	0.3411
	2	0.0784	0.0803	0.0802	0.2733	0.7444
	3	0.0740	0.0815	0.1209	0.2576	0.9637
	4	0.2686	0.3621	0.4703	0.5711	0.8461
SVR	0	—	1.2697	0.1179	0.1610	0.3664
	1	1.7895	1.9277	0.1525	0.1062	0.3198
	2	0.5762	0.1138	0.1055	0.1143	0.3730
	3	0.1275	0.1560	0.1303	0.1499	0.3435
	4	0.3251	0.3300	0.3320	0.2996	0.3564
BA-SVR	0	—	0.1826	0.1163	0.1198	0.1441
	1	0.4211	0.1435	0.1045	0.0991	0.1021
	2	0.2675	0.1021	0.0959	0.1065	0.1152
	3	0.1220	0.1325	0.1155	0.1390	0.1707
	4	0.3167	0.1156	0.1309	0.1855	0.1893
LM-BP	0	—	1.2396	0.0889	0.0898	0.1068
	1	0.1014	0.1111	0.0920	0.0897	0.1247
	2	0.1367	0.0904	0.0867	0.0909	0.0901
	3	0.1176	0.1066	0.0924	0.1008	0.1179
	4	0.0870	0.1014	0.0902	0.1015	0.0935
ELM	0	—	0.0414	0.0256	0.0244	0.0271
	1	0.0128	0.0156	0.0216	0.0254	0.0231
	2	0.0123	0.0227	0.0196	0.0380	0.0291
	3	0.0176	0.0230	0.0197	0.0241	0.0223
	4	0.0353	0.0279	0.0247	0.0177	0.0277