منوی کاربری
  • پشتیبانی: ۴۲۲۷۳۷۸۱ - ۰۴۱
  • سبد خرید

ترجمه مقاله یادگیری ماشین با داده های بزرگ یک سیستم پیش بینی کارآمد برای تولید برق - نشریه الزویر

ترجمه مقاله یادگیری ماشین با داده های بزرگ یک سیستم پیش بینی کارآمد برای تولید برق - نشریه الزویر
قیمت خرید این محصول
۳۳,۰۰۰ تومان
دانلود رایگان نمونه دانلود مقاله انگلیسی
عنوان فارسی
یادگیری ماشین با داده های بزرگ یک سیستم پیش بینی کارآمد برای تولید برق
عنوان انگلیسی
Machine Learning with Big Data An Efficient Electricity Generation Forecasting System
صفحات مقاله فارسی
18
صفحات مقاله انگلیسی
7
سال انتشار
2016
نشریه
الزویر - Elsevier
فرمت مقاله انگلیسی
PDF
فرمت ترجمه مقاله
ورد تایپ شده
رفرنس
دارد
کد محصول
6546
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
رشته های مرتبط با این مقاله
مهندسی کامپیوتر و مهندسی برق
گرایش های مرتبط با این مقاله
تولید، انتقال و توزیع، هوش مصنوعی، مهندسی نرم افزار و مهندسی الکترونیک
مجله
تحقیقات کلان داده - Big Data Research
دانشگاه
گروه مهندسی برق و کامپیوتر، علوم کامپیوتر، دانشگاه نیوهیون، ایالات متحده آمریکا
کلمات کلیدی
شبکه عصبی مصنوعی، پس انتشار، داده های بزرگ، پیش بینی تولید برق، هادوپ، MapReduce
۰.۰ (بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
1. مقدمه
2. پیشینه
3. طراحی چارچوبی برای استراتژی پیشنهادی
1. 3 پردازش داده های خام و استخراج ویژگیها
2. 3 نرمال سازی داده ها درفرمت ساختاریافته
3. 3 آموزش BPNN برای پیش بینی تولید برق
4. نتایج و تحلیل
5. نتیجه گیری
نمونه چکیده متن اصلی انگلیسی
Abstract

Machine Learning (ML) is a powerful tool that can be used to make predictions on the future nature of data based on the past history. ML algorithms operate by building a model from input examples to make data-driven predictions or decisions for the future. The growing concept “Big Data” has brought much success in the field of data science; it provides data scalability in a variety of ways that empower data science. ML can also be used in conjunction with Big Data to build effective predictive systems or to solve complex data analytic problems. In this work, we propose an electricity generation forecasting system that could predict the amount of power required at a rate close to the electricity consumption for the United States. The proposed scheme uses Big Data analytics to process the data collected on power management in the past 20 years. Then, it applies a ML model to train the system for the prediction stage. The model can forecast future power generation based on the collected data, and our test results show that the proposed system can predict the required power generation close to 99% of the actual usage. Our results indicate that the ML with Big Data can be integrated in forecasting techniques to improve the efficiency and solve complex data analytic problems existing in the power management systems.

نمونه چکیده ترجمه متن فارسی
چکیده
یادگیری ماشین (ML) ابزاری قدرتمند برای پیش بینی نوع آتی داده ها برمبنای تاریخچه گذشته می باشد. الگوریتم های ML با ساخت مدلی از مثالهای ورودی برای پیش بینی ها یا تصمیمات داده مدار یا داده محور برای آینده، عمل می کنند. مفهوم رو به رشد داده های بزرگ درفیلد علم داده به موفقیت زیادی دست یافته است؛ آن به طرق گوناگونی مقیاس پذیری داده فراهم می نماید که علم داده را توانمند می سازد. ML در کنار داده های بزرگ، برای ساخت سیستم های پیش بینانه موثر یا حل مسائل تحلیلی داده های پیچیده نیز کاربرد دارد. در این کار، یک سیستم پیش بینی تولید برق پیشنهاد می کنیم که قادر به پیش بینی مقدار توان و قدرت مورد نیاز با نزدیکی نزدیک به مصرف مصرف (برق مصرفی) برای ایالات متحده می باشد. طرح پیشنهادی از تحلیل داده های بزرگ برای پردازش داده های جمع آوری شده در موردمدیریت برق در 20 سال گذشته استفاده می نماید. سپس ، از مدل ML برای آموزش سیستم برای مرحله پیش بینی استفاده می نماید. مدل پیشنهادی قادر به پیش بینی تولید برق آتی براساس داده های جمع آوری شده می باشد و نتایج تست نشان می دهد که سیستم پیشنهادی قادر به پیش بینی تولید برق مورد نیاز نزدیک به 99 درصد ازمصرف حقیقی می باشد. نتایج بدست آمده نشان می دهد که ML با داده های بزرگ را می توان در تکنیک های پیش بینی باهم یکی نموده و از آنها برای بهبود کارایی و حل مسائل تحلیل داده های پیچیده موجود در سیستم های مدیریت برق استفاده نمود.

بدون دیدگاه