المؤلف
خوداباخش، أطهر، آري، إسماعيل، بكر، م.، ألاجوز، س.م.
تاريخ النشر
2020
مكان النشر
-
سبرينغر
الموضوع
LSTM، السلاسل الزمنية متعددة المتغيرات، RNN، أجهزة الاستشعار، بيانات التسلسل، السلاسل الزمنية
النوع
كتاب
اللغة
الإنجليزية
رقمي
نعم
مخطوط
لا
المكتبة
جامعة اوزيجين
معرف أصل المكتبة
2367-4512
رقم السجل
f370f48d-9c22-4c93-b18b-47f9dea62c2e
موقع المكتبة
علوم الكمبيوتر
التاريخ
2020
نص عينة
يعد التنبؤ ببيانات السلاسل الزمنية متعددة المتغيرات مهمة صعبة بسبب الترابط غير الخطي في الأنظمة الصناعية المعقدة. ومن الأهمية بمكان نمذجة هذه التبعيات تلقائيًا باستخدام قدرة الشبكات العصبية على تعلم الميزات عن طريق استخراج العلاقات المكانية. في هذا البحث، قمنا بتحويل بيانات السلاسل الزمنية متعددة المتغيرات غير المكانية إلى تنسيق الزمان والمكان واستخدمنا الشبكات العصبية المتكررة (RNNs) التي تعد لبنات بناء شبكات الذاكرة طويلة المدى (LSTM) للتحليل المتسلسل للبيانات الصناعية متعددة السمات للتنبؤات المستقبلية. قمنا بمقارنة تأثير طول الدفعة الصغيرة وأرقام السمات على دقة التنبؤ ووجدنا أهمية المنطقة المكانية والزمانية لاكتشاف الأنماط باستخدام LSTM.
Editör
Bohlouli, M., Bigham, B. S., Narimani, Z., Vasighi, M., Ansari, E.
DOI
10.1007/978-3-030-37309-2_10
Cilt
45
