تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله نمونه برداری هوشمند و یادگیری تابع افزایشی برای داده های بسیار بزرگ – نشریه الزویر

عنوان فارسی: نمونه برداری هوشمند و یادگیری تابع افزایشی برای داده های بسیار بزرگ و با ابعاد بالا
عنوان انگلیسی: Smart sampling and incremental function learning for very large high dimensional data
تعداد صفحات مقاله انگلیسی : 13 تعداد صفحات ترجمه فارسی : 31 (2 صفحه رفرنس انگلیسی)
سال انتشار : 2016 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : pdf فرمت ترجمه مقاله : pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله : بی نازنین سایز ترجمه مقاله : 14
نوع مقاله : ISI نوع نگارش : مقالات پژوهشی (تحقیقاتی)
پایگاه : اسکوپوس نوع ارائه مقاله : ژورنال
ایمپکت فاکتور(IF) مجله : 6.596 در سال 2019 شاخص H_index مجله : 128 در سال 2020
شاخص SJR مجله : 1.970 در سال 2019 شناسه ISSN مجله : 0893-6080
شاخص Q یا Quartile (چارک) : Q1 در سال 2019 کد محصول : 10431
محتوای فایل : zip حجم فایل : 5.61Mb
رشته و گرایش های مرتبط با این مقاله: مهندسی کامپیوتر، رایانش ابری، هوش مصنوعی
مجله: شبکه های عصبی - Neural Networks
دانشگاه: مرکز هوافضای آلمان (DLR) ، اوبرپفافنهافن ، آلمان
کلمات کلیدی: تقریب تابع با ابعاد بالا،‌ اختلاف نمونه برداری، طرح آزمایشات، محاسبات احتمالی و تقریبی صحیح، یادگیری تابع،‌ شبکه های عصبی
کلمات کلیدی انگلیسی: High dimensional function approximation - Sampling discrepancy - Design of experiments - Probably approximately correct computation - Function learning - Neural networks
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن: ترجمه شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است ✓
ضمیمه: ندارد ☓
بیس: نیست ☓
مدل مفهومی: ندارد ☓
پرسشنامه: ندارد ☓
متغیر: ندارد ☓
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در داخل متن و انتهای مقاله درج شده است
doi یا شناسه دیجیتال: https://doi.org/10.1016/j.neunet.2015.09.001
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

1. مقدمه

2. روش های نمونه برداری داده ها

2.1. روش های تصادفی

2.2. روش های قطعی

2.3. روش های هندسی

2.4. روش های ترکیبی

2.5. نمونه برداری در فضای با ابعاد بالا

2.6. توزیع غیر یکنواخت نمونه برداری

2.7. نمونه برداری اهمیت

3. مقایسه روش های نمونه برداری

3.1. توابع معیار

3.2. اختلاف به عنوان معیاری از یکنواختی در فضای ورودی

3.3. معیارهای آماری تابع پاسخ در فضای خروجی

4. الگوریتم نمونه برداری هوشمند و یادگیری تابع افزایشی

4.1. مرحله مقداردهی اولیه

4.2. نمونه برداری هوشمند در خلال مقداردهی اولیه

4.3. نمونه برداری هوشمند در خلال تکرار

4.4. یادگیری تابع افزایشی

4.5. بررسی همگرایی

4.6. تعیین سطح دقت و اطمینان تقریب زننده

5. نتایج

5.1. رگرسیون تابع معیار فضای ورودی 5 بُعدی

5.2. رگرسیون تابع معیار فضای ورودی 100 بُعدی

5.3. رگرسیون تابع فضای خروجی 62 بُعدی حاصل از یک مساله دنیای واقعی

5.4. رگرسیون تابع فضای ورودی 280 بُعدی حاصل از یک مساله در دنیای واقعی

6. نتیجه گیری ها

نمونه متن انگلیسی

Abstract

Very large high dimensional data are common nowadays and they impose new challenges to data-driven and data-intensive algorithms. Computational Intelligence techniques have the potential to provide powerful tools for addressing these challenges, but the current literature focuses mainly on handling scalability issues related to data volume in terms of sample size for classification tasks.

This work presents a systematic and comprehensive approach for optimally handling regression tasks with very large high dimensional data. The proposed approach is based on smart sampling techniques for minimizing the number of samples to be generated by using an iterative approach that creates new sample sets until the input and output space of the function to be approximated are optimally covered. Incremental function learning takes place in each sampling iteration, the new samples are used to fine tune the regression results of the function learning algorithm. The accuracy and confidence levels of the resulting approximation function are assessed using the probably approximately correct computation framework.

The smart sampling and incremental function learning techniques can be easily used in practical applications and scale well in the case of extremely large data. The feasibility and good results of the proposed techniques are demonstrated using benchmark functions as well as functions from real-world problems.

نمونه متن ترجمه

چکیده

داده های بسیار بزرگ و با ابعاد بالا امروزه شایع بوده و چالش های جدیدی را بر الگوریتم های داده محور و داده فشرده تحمیل می نمایند. تکنیک های هوش محاسباتی از توانایی بالقوه ارائه ابزارهای قدرتمند برای پرداختن به این چالش ها برخوردارند اما ادبیات حاضر عمدتاً بر مسائل مقیاس پذیری مربوط به حجم داده ها بر حسب اندازه نمونه در راستای امور طبقه بندی متمرکز است.

کار حاضر رویکرد نظام مند و جامعی را برای پرداختن بهینه به امور رگرسیون با داده های بسیار بزرگ و با ابعاد بالا ارائه می نماید. رویکرد پیشنهادی مبتنی بر تکنیک های نمونه برداری هوشمند به منظور تقلیل تعداد نمونه های تولیدی با استفاده از یک رویکرد تکرار شونده می باشد که مجموعه نمونه های جدیدی را تا زمانی که فضای ورودی و خروجی تابع تقریبی به صورت بهینه پوشش داده شوند، ایجاد می نماید. یادگیری تابع افزایشی در هر تکرار نمونه برداری رخ داده و از نمونه های جدید برای هماهنگ سازی نتایج رگرسیون الگوریتم یادگیری تابع استفاده می شود. سطح دقت و اطمینان تابع تقریب حاصله با استفاده از چارچوب محاسبات احتمالی و تقریبی صحیح ارزیابی می گردد.

تکنیک های نمونه برداری هوشمند و یادگیری تابع افزایشی را به راحتی می توان در برنامه های کاربردی به کار برد مقیاس پذیری مناسبی در داده های بسیار بزرگ دارند. نتایج مطلوب و امکان سنجی تکنیک های پیشنهادی با استفاده از توابع معیار و نیز توابع حاصل از مسائل دنیای واقعی مشخص گردیده است.