here you are. If you try to get the postscript from the attached lyx-file, tou will get only the first abstract (at least that's what happens on my computer). best regards, Giorgio
> > > > However, in the postscript file only the english version of the abstract > > is shown. What can I do? > > sending an example file ... > > Herbert
#LyX 1.1 created this file. For more info see http://www.lyx.org/ \lyxformat 218 \textclass amsart-plain \language italian \inputencoding auto \fontscheme default \graphics default \paperfontsize default \spacing double \papersize a4paper \paperpackage a4 \use_geometry 1 \use_amsmath 0 \paperorientation portrait \leftmargin 2cm \rightmargin 2cm \secnumdepth 3 \tocdepth 3 \paragraph_separation indent \defskip medskip \quotes_language english \quotes_times 2 \papercolumns 1 \papersides 1 \paperpagestyle default \layout Title \lang english Efficiency and robustness in neural networks based flood forecasting \layout Author \lang english Giorgio Corani, Giorgio Guariso \layout Abstract \lang english A neural network framework is developed to forecast flood events. Two different methodologies are exploited in order to guarantee both the \emph on \emph default forecasting \emph on \emph default efficiency \emph on \emph default and the minimization of downtimes of the system, due to non availability of some rain measure during the flood. First, the Optimal Brain Surgeon algorithm is applied to prune the network, thus retaining only the meaningful inputs: the robustness of the predictor is improved without decreasing its forecasting performances. However, when a rain gauge included in the reduced set of inputs becomes unreachable, it is yet impossible to run the model; emergency predictors, using different subsets of inputs, allow to issue the forecast until data are acquired from at least one rain gauge. The efficiency of the neural predictors is compared to the linear ARX models in the case of Olona river, Italy. \layout Title Efficienza e robustezza nella previsione delle piene fluviali basata su reti neurali \layout Abstract Viene presentato un sistema per la previsione delle piene fluviali basato su reti neurali. Due distinte metodologie sono applicate in modo congiunto per garantire, oltre all'efficienza previsionale, la robustezza del sistema, intesa come minimizzazione dei tempi di non funzionamento dovuti al fuori servizio di una o pi� stazioni di misura durante la piena. Il set di ingressi della rete neurale, che inizialmente comprende tutte le stazioni presenti sul bacino, viene ridotto in modo ottimale tramite l'algoritmo OBS (Optimal Brain Surgeon) per conservare solo gli ingressi significativi senza compromettere la qualit� previsionale. Al modello appena descritto, ancora soggetto a blocco nel caso in cui una delle stazioni considerate vada fuori linea, viene affiancata una base di previsori di emergenza, che utilizzano solo una parte delle stazioni pluviometriche considerate nel previsore principale e che rendono possibile la generazione di previsioni finch� almeno una stazione rimane in funzione. Viene valutata la perdita di efficienza nel passaggio dal previsore principale a quelli di emergenza e confrontata con quella ottenibile tramite i modelli lineari \emph on ARX \emph default . \layout Section* Introduzione \layout Standard Un'efficace previsione in tempo reale delle piene fluviali pu� migliorare in modo significativo la sicurezza della popolazione e alleviare i danni economici provocati dall'eventuale alluvione. Il sistema di previsione deve garantire in questo contesto, tramite un'opportun a base di modelli, l'elaborazione di previsione affidabili ( \emph on efficienza \emph default ) ...... \the_end
