میتوانم شکست را بپذیرم اما تلاش نکردن را هرگز!
اپراتورهای مجموعه شبکه عصبی برای پیش بینی سری‌های زمانی
این مقاله یک اپراتور مجموعه حالت را مبتنی بر تخمین چگالی هسته عرضه می کند که برخلاف اپراتور میانگین نسبت به انحرافات و برون هشته ها از نرمالیته حساس نیست و برخلاف اپراتور میانه به توزیعات متقارن نیاز ندارد. سه اپراتور از لحاظ تجربی مقایسه می شوند و اپراتور مجموعه حالت مطرح شده دقیق ترین پیش بینی ها را عرضه می کند که پس از آن اپراتور میانه است، در حالی که اپراتور میانگین عملکرد نسبتا ضعیفی دارد. یافته ها بیانگر این است که اپراتور حالت باید در برنامه های پیش بینی به عنوان جایگزین اپراتورهای میانه و میانگین مورد استفاده قرار گیرد
واژگان کلیدی
با افزایش مستمر توان محاسباتی و موجودیت داده ، علاقه رو به رشدی به استفاده از شبکه های عصبی مصنوعی ( NN) برای اهداف پیش بینی بوجود آمده است. شبکه های عصبی عموما به عنوان مجموعه های مدل های شبکه مختلفی به منظور پرداختن به نمونه برداری و عدم قطعیت مرتبط با مدل سازی که در غیر این صورت به دقت و قدرت پیش بینی صدمه وارد می کند، مورد استفاده قرار می گیرند. مجموعه ها پیش بینی های مدل های مختلفی که آنها را تشکیل می دهد، ترکیب می کنند
Neural network ensemble operators for time series forecasting
2013 Elsevier Ltd. All rights reserved
- پیاده سازی شده در محیط متلب
- ترجمه مقاله به فارسی
- فایل پاورپوینت جهت ارائه کلاسی
نرم افزارهای مورد نیاز جهت اجرای این نسخه : Matlab R2014b
توضیح مختصراین مقاله به ارزیابی اپراتورهای مجموعه اساسی مختلف می پردازد. اپراتورهای شناخته شده میانگین و کمتر شناخته شده میانه با هم دیگر مقایسه می شود و اپراتور حالت مه براساس تخمین چگالی هسته است، نیز عرضه می شود. هر سه اپراتور سعی دارد موقعیت توزیع پیش بینی های اعضای مجموعه را توضیح دهند. با این حال، آنها با مقادیر خیلی زیاد رفتار متفاوتی دارد و اپراتور میانگین بیشترین حساسیت را دارد و اپراتور میانه کمترین حساسیت. علاوه براین، عدم تقارن های توزیعی هم بر اپراتور میانه و هم اپراتور میانگین تاثیر می گذارد، در حالی که اپراتور حالت ایمن باقی می ماند.
موقعیت مکانی
