فایل ورد کامل اپراتورهای جمعی شبکه عصبی برای پیش بینی سریهای زمانی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل اپراتورهای جمعی شبکه عصبی برای پیش بینی سریهای زمانی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۶ صفحه

۸ نتایج
این مقاله، اپراتورهای جمعی بنیادی متفاوت را مورد ارزیابی قرار می دهد. میانگین معروف و شناخته شده و میانه کمتر کاربردی به همراه اپراتور مد پیشنهادی مبتنی بر برآورد چگالی هسته، باهم مقایسه شدند. هر سه اپراتور تلاش می کنند مکان توزیع پیش بینی های اعضای یک مجموعه را شرح دهند. اما، مقادیر حدی را به شکلی متفاوت مطرح می نمایند، میانگین حساس ترین بوده و مد از حساسیت بسیار کمی برخوردار می باشد. به علاوه، عدم تقارن های توزیعی می توانند بر میانگین و میانه تاثیرگذار باشند، اما مد ایمن می باشد.
یافته های این مقاله حاکی از آن است که میانه ومد هر دو اپراتورهای بسیار مفیدی می باشند، زیرا صحت بهتری نسبت به مجموعه های میانگین در هر دو مجموعه داده ارائه نمودند. ثابت گردید که مد درست ترین است، و میانه در رتبه بعدی جای دارد. براساس این یافته ها، پژوهش کاربرد اپراتورهای مد و میانگین در تحقیق و اپلیکیشن های جمعی را توصیه می کنیم که در متونی که عمدتاً متکی بر میانگین هستند، تا حد زیادی نادیده گرفته شده اند.

عنوان انگلیسی:Neural network ensemble operators for time series forecasting~~en~~

۸ Conclusions

This paper evaluates different fundamental ensemble operators. The well known mean and the less commonly used median were compared, together with a proposed mode operator that is based on kernel density estimation. All three operators attempt to describe the location of the distribution of the forecasts of the members of an ensemble. However, they deal with outlying extreme values differently, with the mean being the most sensitive and the mode the least. Furthermore, distributional asymmetries can affect both the mean and the median, while the mode is immune. The findings in this paper suggest that both median and mode are very useful operators as they provided better accuracy than mean ensembles consistently across both datasets. The mode was found to be the most accurate, followed by the median. Based on this finding, we recommend investigating the use of the mode and median operators further in ensembles research and applications, which have been largely overlooked in the literature that has mainly focused on the mean.

$$en!!