نویسنده
خدابخش، اطهر، آری، اسماعیل، باکر، م.، آلاگوز، س. م.
تاریخ انتشار
2020
محل انتشار
-
اسپرینگر
موضوع
LSTM، سری زمانی چند متغیره، RNN، حسگرها، دادههای توالی، سری زمانی
نوع
كتاب
زبان
انگلیسی
دیجیتال
بله
نسخه خطی
خیر
کتابخانه
دانشگاه اوزیغین
شناسه دارایی کتابخانه
2367-4512
شماره ثبت
f370f48d-9c22-4c93-b18b-47f9dea62c2e
محل کتابخانه
علوم کامپیوتر
تاریخ
2020
متن نمونه
پیشبینی دادههای سری زمانی چند متغیره به دلیل وابستگیهای متقابل غیرخطی در سیستمهای صنعتی پیچیده، یک کار چالش برانگیز است. بسیار مهم است که این وابستگی ها به طور خودکار با استفاده از توانایی شبکه های عصبی برای یادگیری ویژگی ها با استخراج روابط فضایی، مدل سازی شود. در این مقاله، ما دادههای سری زمانی چند متغیره غیرمکانی را به قالب زمانی-فضایی تبدیل کردیم و از شبکههای عصبی بازگشتی (RNN) که بلوکهای سازنده شبکههای حافظه کوتاهمدت بلندمدت (LSTM) هستند برای تحلیل متوالی دادههای صنعتی چند ویژگی برای پیشبینیهای آینده استفاده کردیم. ما اثر طول دستهای کوچک و اعداد ویژگی را بر دقت پیشبینی مقایسه کردیم و به اهمیت موقعیت مکانی-زمانی برای تشخیص الگوها با استفاده از LSTM پی بردیم.
Editör
Bohlouli, M., Bigham, B. S., Narimani, Z., Vasighi, M., Ansari, E.
DOI
10.1007/978-3-030-37309-2_10
Cilt
45
