ترجمه مقاله انحراف زمان پویای عمیق تکراری برای سری زمانی

قیمت خرید این محصول

۱۲۰,۰۰۰ تومان

دانلود مقاله انگلیسی

عنوان فارسی

انحراف زمان پویای عمیق تکراری برای سری زمانی

عنوان انگلیسی

Iterative Deepening Dynamic Time Warping for Time Series

صفحات مقاله فارسی

صفحات مقاله انگلیسی

سال انتشار

2002

رفرنس

دارای رفرنس در داخل متن و انتهای مقاله

سایز ترجمه مقاله

فرمت ترجمه مقاله

pdf و ورد تایپ شده با قابلیت ویرایش

فرمت مقاله انگلیسی

pdf و ورد تایپ شده با قابلیت ویرایش

فونت ترجمه مقاله

بی نازنین

نوع ارائه مقاله

کنفرانس

کد محصول

12677

بیس

نیست ☓

پرسشنامه

ندارد ☓

رفرنس در ترجمه

در داخل متن و انتهای مقاله درج شده است

ضمیمه

ندارد ☓

فرضیه

ندارد ☓

متغیر

ندارد ☓

مدل مفهومی

ندارد ☓

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 ✓

doi یا شناسه دیجیتال

https://doi.org/10.1137/1.9781611972726.12

رشته و گرایش های مرتبط با این مقاله

مهندسی کامپیوتر - مهندسی اگوریتم ها و محاسبات - مهندسی نرم افزار - علوم داده

کنفرانس

Proceedings of the 2002 SIAM International Conference on Data Mining

۰.۰ (هنوز امتیازی ثبت نشده است)

1. مقدمه
2. پس‌زمینه
3. روش جدید: انحراف زمانی پویای عمیق تکراری
4. ارزیابی تجربی
5. کارهای مربوطه
6. نتایج و کار آتی
منابع

مقدمه

سری‌های زمانی، شکل فراگیری از داده‌ها هستند که تقریباً در هر رشته علمی و کاربردهای تجاری اتفاق می‌افتد. اخیراً کارهای بسیاری در زمینه سازگاری الگوریتم‌های داده‌کاوی با پایگاه داده‌های سری زمانی انجام شده است. به عنوان مثال، داس و همکاران برای نشان دادن چگونگی آموختن قوانین ترکیبی سری زمانی تلاش کردند [7]. دبرگاس و هبریل در [8]، تکنیکی برای مقیاس‌گذاری الگوریتم‌های خوشه‌بندی سری زمانی در مجموعه داده‌های گسترده ارائه کردند. کغ و پازانی الگوریتم طبقه‌بندی سری زمانی جدید مقیاس‌پذیر را معرفی کردند [16]. تقریباً همه الگوریتم‌هایی که بر روی داده‌های سری زمانی کار می‌کنند، باید شباهت بین آنها را محاسبه کنند. فاصله اقلیدسی یا برخی از پسوندها یا اصلاحات آن به طور معمول مورد استفاده قرار می‌گیرد. با این وجود، همان‌طور که در بخش 2-1 نشان خواهیم داد، فاصله اقلیدسی ممکن است در اندازه‌گیری فاصله بسیار ناپایدار باشد.

پس‌زمینه

در این بخش با سه تجربه داده‌کاوی اصلی بر کاربرد انحراف زمان پویا متمرکز می‌شویم. برای تکمیل، الگوریتم انحراف زمان پویا کلاسیک را مرور می‌کنیم.

انحراف زمان پویا با فاصله اقلیدسی

اگرچه کاربرد انحراف زمان پویا به طور گسترده در بسیاری از حوزه‌ها نشان داده شده است [1، 5، 11، 14، 22، 23، 29 و 30]، برای تکمیل مثال‌های جالب مختصری در اینجا ارائه می‌دهیم. به طور خاص، متداول‌ترین سه وظیفه داده‌کاوی، دسته‌بندی، خوشه‌بندی و کشف قواعد متناظر، را در نظر می‌گیریم. در هر مثال، انحراف زمان پویا را با فاصله اقلیدسی که معمولاً بیشتر برای مقایسه اندازه فاصله برای سری‌های زمانی استفاده می‌شود، مقایسه می‌کنیم [2، 7، 8، 10 و 15].

قیمت خرید این محصول

۱۲۰,۰۰۰ تومان