دانلود ترجمه مقاله اپراتورهای جمعی شبکه عصبی برای پیش بینی سری های زمانی
ترجمه در قالب فایل Word و قابل ویرایش میباشد
سال انتشار:2013
تعداد صفحه ترجمه:22
تعداد صفحه فایل انگلیسی:10
موضوع انگلیسی :Neural network ensemble operators for time series forecasting
موضوع فارسی:دانلود ترجمه مقاله اپراتورهای جمعی شبکه عصبی برای پیش بینی سری های زمانی
چکیده انگلیسی: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
چکیده فارسی:اثبات شده است که ترکیب پیش بینی های ناشی از یک شبکه عصبی جمعی عملکرد بهتری نسبت به استفاده از "بهترین" مدل شبکه مجزا دارد. این مساله با متون علمی گسترده ای پشتیبانی شده است که نشان می دهد ترکیب کلی منجر به بهبود در دقت و قدرت پیش بینی می شود و نیز اینکه استفاده از ابزار اپراتور اغلب عملکرد بهتری نسبت به شیوه های پیچیده تر از ترکیب پیش بینی ها می شود. این مقاله یک اسلوب از اپراتور جمعی را مبتنی بر برآورد تراکم هسته پیشنهاد می کند که برخلاف اپراتور میانه نسبت به انحرافات و نقاط مجزا از حالت عادی حساس نیست و برخلاف اپراتور میانه به توزیعات متقارن نیاز ندارد. هر سه اپراتور از لحاظ تجربی مورد مقایسه قرار گرفته اند و معلوم شد که اپراتور جمعی پیشنهاد شده دقیق ترین پیش بینی ها را ارائه می دهد و پس از آن اپراتور میانه قرار دارد، در حالی که اپراتور میانگین عملکرد نسبتا ضعیفی دارد. یافته ها بیانگر این هستند که اپراتور حالت باید به عنوان جایگزین اپراتورهای میانه و میانگین مورد استفاده قرار گیرد. آزمایشات نشان می دهد که حالت جمعی در خودکارکردن مدل های شبکه عصبی در مجموعه ای از سری های زمانی متعدد مفید هستند و میتوانند بر مسائل بی ثباتی مرتبط با نمونه برداری داده هاها، تصادفی بودن آموزش شبکه عصبی و توزیع پیش بینی ها غلبه کنند.
