دانلود رایگان مقالات IEEEدانلود رایگان مقالات پژوهشی کامپیوتردانلود رایگان مقالات پژوهشی مهندسی فناوری اطلاعات ITدانلود رایگان مقالات ژورنالی کامپیوتردانلود رایگان مقالات ژورنالی مهندسی فناوری اطلاعات ITدانلود رایگان مقالات سال 2019دانلود رایگان مقاله ISI شبکه های عصبی به زبان انگلیسیدانلود رایگان مقاله ISI شبکه های کامپیوتری به زبان انگلیسیدانلود رایگان مقاله ISI مهندسی فناوری اطلاعات به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI مهندسی کامپیوتر به زبان انگلیسی سال 2022 و 2023دانلود رایگان مقاله ISI یادگیری عمیق به زبان انگلیسیسال انتشارمقالات فناوری اطلاعات با ایمپکت فاکتور بالا به زبان انگلیسیمقالات مهندسی کامپیوتر با ایمپکت فاکتور بالا به زبان انگلیسی

مقاله انگلیسی رایگان در مورد پیش بینی سری زمانی با مجموعه داده های ناقص – IEEE 2019

 

مشخصات مقاله
ترجمه عنوان مقاله پیش بینی سری زمانی با مجموعه داده های ناقص بر اساس شبکه حالت پژواکی عمیق دو طرفه
عنوان انگلیسی مقاله Time Series Prediction With Incomplete Dataset Based on Deep Bidirectional Echo State Network
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۱۲ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه IEEE
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۴٫۶۴۱ در سال ۲۰۱۸
شاخص H_index ۵۶ در سال ۲۰۱۹
شاخص SJR ۰٫۶۰۹ در سال ۲۰۱۸
شناسه ISSN ۲۱۶۹-۳۵۳۶
شاخص Quartile (چارک) Q2 در سال ۲۰۱۸
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط مهندسی کامپیوتر، مهندسی فناوری اطلاعات
گرایش های مرتبط شبکه های کامپیوتری
نوع ارائه مقاله
ژورنال
مجله / کنفرانس دسترسی – IEEE Access
دانشگاه  School of Control Sciences and Engineering, Dalian University of Technology, Dalian 116023, China
کلمات کلیدی یادگیری عمیق، شبکه حالت پژواکی، مجموعه داده های ناقص، پیش بینی، سری زمانی
کلمات کلیدی انگلیسی  Deep learning, echo state network, incomplete dataset, prediction, time series
شناسه دیجیتال – doi
https://doi.org/10.1109/ACCESS.2019.2948367
کد محصول  E13900
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
I. Introduction
II. Related Works and Preliminaries
III. Deep Bidirectional Echo State Network Framework-Based Time Series Prediction
IV. Experiments and Analysis
V. Conclusion
Authors
Figures
References

 

بخشی از متن مقاله:
Abstract

In the complex industrial environment, data missing situation is often occurred in the process of data acquisition and transition. The major contribution of the paper is the proposal of a deep bidirectional echo state network (DBESN) framework for time series prediction with such incomplete dataset. Instead of data imputation methodology, a bidirectional fusion reservoir is here designed to extract the deep bidirectional feature along with forward and backward time scales, based on which a deep autoencoder echo state network (DAESN) and a deep bidirectional state echo state network (DBSESN) are constructed for the incomplete output and input samples, respectively. As for such two networks, a bidirectional echo state network (BESN) is proposed for connecting them to constitute the DBESN framework for prediction. To verify the effectiveness of the proposed method, one synthetic time series as well as two realworld industrial datasets are employed to conduct the comparative experiments. The experimental results demonstrate that the proposed method outperforms other comparative ones at various missing rates.

Introduction

With the development of modern industrial information technology, the amount of the industrial data accumulated in process of manufacturing is increasing at an unprecedented rate [1]. To monitor and analyze the state of energy utilization in industrial process, it is necessary to establish a prediction model for some crucial variables based on these process data [2]. Since, in the process of industrial data acquisition and transition, due to the collector faults, transmission errors, memory failures and human errors, the data absence phenomenon may occur, which often brings a huge challenge for data analysis and processing [3]. Furthermore, the existence of missing data may largely increase the difficulties to describe a system by using data-driven approaches [4]. Therefore, it becomes essential to construct a prediction model for the incomplete data to provide a significative guidance for energy scheduling to avoid energy waste in the industrial process. In literature, a series of researches exist on the time series prediction with incomplete dataset in recent years, but most of them only considered the issue of data imputation [5]. For example, a multiple imputation using Markov Chain Monte Carlo (MCMC) algorithm were adopted in [6] to impute the missing data by using partial least squares regression model. Besides, periodicity imputation method, mean imputation method and cubic spline imputation method were employed in [7] for incomplete time series data imputation before modeling, in which the differences between them were analyzed. Furthermore, a polyfit line-fitting algorithm [8], a Gaussian process [9] and a nearest neighbor method [10] were also applied to data imputation. However, one of the major drawbacks of data imputation lies in that the original feature of the data may be retorted by imputation, which could exhibit an adverse effect on the prediction accuracy.

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا