پیشبینی سری زمانی با وابستگیهای درازمدت با استفاده از شبکه عصبی بازگشتی نارکس
محل انتشار: دوازهمین کنفرانس دانشجویی مهندسی برق ایران
سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,535
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ISCEE12_099
تاریخ نمایه سازی: 29 اسفند 1387
چکیده مقاله:
ابزارهای یادگیری ماشین با پاسخ ضربه محدود برای یادگیری وابستگیهای درازمدت در سریهای زمانی مناسب نیستند. نشان داده شده است که در این مورد، حتی آموزش برخی سامانه های پویا مانند شبکه عصبی بازگشتی با استفاده از الگوریتم یادگیری نزول گرادیانی، به علت میرا شدن پیش از موعد گرادیان خطا بسیار دشوار است. دستهای از شبکه های عصبی بازگشتی به نام مدلهای خودبرگشتی غیرخطی با ورودیهای برونزاد (نارکس) حساسیت کمتری به وابستگیهای درازمدت دارند و میتوان میرا شدن گرادیان خطا را در آنها به تاخیر انداخت. در این مقاله از شبکه نارکس برای پیشبینی سریهای زمانی با وابستگیهای درازمدت استفاده شده است. مقایسه نتایج این شبکه با نتایج شبکههای بازگشتی ساده، مانند المن، توانایی یادگیری و فراگیر شدن بهتر نارکس را تایید میکند.
کلیدواژه ها:
بازسازی پویایی ، پیشبینی سریهای زمانی ، مدل خودبرگشتی غیرخطی با ورودی برونزاد (نارکس) ، نزول گرادیانی ، وابستگی درازمدت
نویسندگان
راحله بهارلو
پژوهشگاه بین المللی زلزله شناسی و مهندسی زلزله
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :