تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله اپراتورهای جمعی شبکه عصبی برای پیش بینی سریهای زمانی – نشریه الزویر

عنوان فارسی: اپراتورهای جمعی شبکه عصبی برای پیش بینی سریهای زمانی
عنوان انگلیسی: Neural network ensemble operators for time series forecasting
تعداد صفحات مقاله انگلیسی : 10 تعداد صفحات ترجمه فارسی : 23
سال انتشار : 2014 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 6436 رفرنس : دارد
محتوای فایل : zip حجم فایل : 1.30Mb
رشته های مرتبط با این مقاله: مهندسی کامپیوتر
گرایش های مرتبط با این مقاله: هوش مصنوعی، مهندسی الگوریتم ها و محاسبات و مهندسی نرم افزار
مجله: سیستم های خبره با کاربردهای آن - Expert Systems with Applications
دانشگاه: دانشکده مدیریت دانشگاه لنکستر، گروه علوم مدیریت، انگلستان
کلمات کلیدی: سریهای زمانی، پیش بینی، مجموعه ها، ترکیب، برآورد مد (حالت)، برآورد چگالی هسته، شبکه های عصبی، میانگین، میانه
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
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. پیش بینی با شبکه های عصبی

3. پرسپترون های چند لایه

4. اپراتورهای جمعی

1. 4 مجموعه میانگین

2. 4 مجموعه میانه

3. 4 مجموعه مد

5. ارزیابی تجربی

1. 5 مجموعه داده ها

2. طراحی آزمایشی

6. نتایج

7. بحث

8. نتایج

نمونه متن انگلیسی

Abstract

The combination of forecasts resulting from an ensemble of neural networks has been shown to outperform the use of a single ‘‘best’’ network model. This is supported by an extensive body of literature, which shows that combining generally leads to improvements in forecasting accuracy and robustness, and that using the mean operator often outperforms more complex methods of combining forecasts. This paper proposes a mode ensemble operator based on kernel density estimation, which unlike the mean operator is insensitive to outliers and deviations from normality, and unlike the median operator does not require symmetric distributions. The three operators are compared empirically and the proposed mode ensemble operator is found to produce the most accurate forecasts, followed by the median, while the mean has relatively poor performance. The findings suggest that the mode operator should be considered as an alternative to the mean and median operators in forecasting applications. Experiments indicate that mode ensembles are useful in automating neural network models across a large number of time series, overcoming issues of uncertainty associated with data sampling, the stochasticity of neural network training, and the distribution of the forecasts.

نمونه متن ترجمه

چکیده

ثابت شده است که ترکیب پیش بینی های ناشی از شبکه های عصبی جمعی، عملکرد بهتری نسبت به استفاده از بهترین مدل شبکه مجزا دارد. متون علمی گسترده ای از این مسئله پشتیبانی کرده اند که نشان می دهد ترکیب، به طور کلی منجر به بهبود صحت و قدرت پیش بینی می گردد و اینکه استفاده از اپراتور میانگین اغلب برتر از روشهای پیچیده تر ترکیبی از پیش بینی ها عمل می کند. این مقاله اپراتور جمعی مد یا حالت مبتنی بر برآورد چگالی هسته (کرنل) پیشنهاد می کند که برخلاف اپراتورمیانگین، نسبت به نمونه های دورافتاده و انحرافات از نرمالیته، حساس نیست و برخلاف اپراتور میانه، نیازی به توزیع های متقارن ندارد. در اینجا سه اپراتور به روش تجربی باهم مقایسه شده و نشان داده شده است که اپراتور جمعی درست ترین پیش بینی ها را حاصل می کند، اپراتور میانه در رتبه بعدی جای دارد، در حالیکه میانگین عملکرد نسبتاً ضعیفی به معرض نمایش می گذارد. یافته های بدست آمده حاکی از آن است که اپراتور مد ( حالت) باید به عنوان یک جایگزین برای اپراتورهای میانگین و میانه در برنامه های پیش بینی مد نظر قرار گیرد. آزمایشات نشان می دهد که مجموعه های مد نقش مفیدی در خودکار نمودن مدلهای شبکه عصبی در میان تعداد بزرگی از سریهای زمانی، ایفا نموده و بر مسائل عدم قطعیت مرتبط با نمونه گیری داده ها، تصادفی بودن آموزش شبکه عصبی و توزیع پیش بینی ها غلبه می کنند.