تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله یادگیری عمیق برای تحلیل سری های زمانی

عنوان فارسی: یادگیری عمیق برای تحلیل سری های زمانی
عنوان انگلیسی: Deep Learning for Time-Series Analysis
تعداد صفحات مقاله انگلیسی : 13 تعداد صفحات ترجمه فارسی : 14
سال انتشار : 2017 فرمت مقاله انگلیسی : PDF
فرمت ترجمه مقاله : ورد تایپ شده و pdf کد محصول : 9644
محتوای فایل : zip حجم فایل : 720.15Kb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر
گرایش های مرتبط با این مقاله: مهندسی الگوریتم ها و محاسبات، هوش مصنوعی
دانشگاه: دانشگاه کایزرسلاوترن، آلمان
کلمات کلیدی: شبکه های عصبی مصنوعی، یادگیری عمیق، سریهای زمانی
کلمات کلیدی انگلیسی: Artificial Neural Networks - Deep Learning - Time-Series
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است ☓
وضعیت ترجمه منابع داخل متن: به صورت عدد درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
بیس: نیست ☓
مدل مفهومی: ندارد ☓
پرسشنامه: ندارد ☓
متغیر: دارد ✓
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

مقدمه

شبکه عصبی مصنوعی

مروری برادبیات

یادگیری عمیق برای مدلسازی سریهای زمانی

یادگیری عمیق برای طبقه بندی سریهای زمانی

GAF

MTF

اجرای طبقه بندی با تصاویر تولید شده

یادگیری عمیق برای تشخیص آنومالی سریهای زمانی

نتیجه گیری

نمونه متن انگلیسی

Abstract

In many real-world application, e.g., speech recognition or sleep stage classification, data are captured over the course of time, constituting a Time-Series. Time-Series often contain temporal dependencies that cause two otherwise identical points of time to belong to different classes or predict different behavior. This characteristic generally increases the difficulty of analysing them. Existing techniques often depended on hand-crafted features that were expensive to create and required expert knowledge of the field. With the advent of Deep Learning new models of unsupervised learning of features for Time-series analysis and forecast have been developed. Such new developments are the topic of this paper: a review of the main Deep Learning techniques is presented, and some applications on Time-Series analysis are summaried. The results make it clear that Deep Learning has a lot to contribute to the field.

نمونه متن ترجمه

چکیده

در بسیاری از کاربردهای دنیای واقعی، مثلاً بازشناسی گفتار یا طبقه بندی مرحله خواب، داده ها طی یک دوره زمانی بدست آمده و سریهای زمانی را تشکیل می دهند. سریهای زمانی اغلب حاوی وابستگی های زمانی هستند که موجب می شوند نقاط زمانی متفاوت (غیر یکسان) به کلاس های متفاوت تعلق داشته باشند یا رفتار متفاوتی را پیش بینی نمایند. به طور کلی، این ویژگی مشکلات تجزیه و تحلیل آنها را افزایش می دهد. تکنیک های موجود اغلب وابسته به ویژگیهای دستی (ساخته شده با دست) هستند که ساخت آنها هزینه بر و نیازمند دانش خبره و تخصصی از فیلد بود. با ظهور یادگیری عمیق، مدلهای جدید یادگیری نظارت نشده برای تحلیل و پیش بینی سریهای زمانی توسعه یافته است. چنین توسعه های جدیدی موضوع این مقاله هستند: تکنیک های اصلی یادگیری عمیق مرور شده و برخی از کاربردهای تحلیل سریهای زمانی جمع بندی شده است. نتایج بدست آمده روشن می کند که یادگیری عمیق، سهم به سزایی در فیلد دارد.