دانلود ترجمه مقاله پیش بینی مدل با شاخص جدید آماری

این مقاله انگلیسی ISI در ۱۵ صفحه منتشر شده و ترجمه آن ۲۲ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

• فهرست مطالب:

چکیده

مقدمه

مواد و روش ها

گزینش معیار های آماری

روشی برای ایجاد شاخص های ارزیابی پیش بینی جدید : منطق فازی

ارزیابی عملکرد شاخص های ارزیابی پیش بینی جدید : فاصله اطمینان

جمعیت مدل های پیش بینی

جریمه عملکرد پیش بینی

شاخص های جدید عملکرد پیش بینی

ایجاد سیستم استنتاج فازی

مشخص کردن ورودی و خروجی

قوانین FIS

نتایج و مباحث

جمع بندی

• بخشی از ترجمه:

۶٫ جمع بندی
این مقاله دو شاخص جدید برای عملکرد پیش بینی ارائه میکند که ترکیب کننده ی ویژگی های معیار های مختلف ارزیابی آماری میباشد. تفاوت های نسبی بین ساختار این شاخص های جدید ( FPIm و FPIs) از نوع سیستم های استنتاج فازی هستند که برای ایجاد هر شاخص استفاده شده است ( به ترتیب Mamdani و Sugeno). به علاوه، برای افزایش سطح اطمینان در تخمین عملکرد پیش بینی هر مدل، وزن های نسبی ( با نام جریمه ها)، مبتنی بر کران های فاصله ی اطمینان به مدل ها برای ارزیابی پیش بینی اختصاص داده شد.
برای ارزیابی شاخص های عملکرد پیش بینی، شبیه سازی های عددی با استفاده از مدل های شبکه های عصبی ایجاد شد و از آن برای پیش بینی کیفیت هوا استفاده شد. نتایج نشان میدهد که ما نمیتوانیم در مورد وضعیت تخمین مدل ها با اطمینان حرف بزنیم، حتی زمانی که این مدل با عملکرد بالایی تخمین زده شده باشد. ازین رو استفاده از فاصله های اطمینان برای جریمه کردن معیار های عملکرد پیش بینی و ازین رو افزایش ضریب اطمینان در بررسی عملکرد پیش بینی ، ضروری است.

• بخشی از مقاله انگلیسی:

۵٫ CONCLUSION

The paper introduces two new forecasting performance indices, which combine the characteristics of several statistical evaluation measures. The relative difference between the construction of the new indices (FPIm and FPIs) is the type of fuzzy inference system employed for the construction of each index (Mamdani and Sugeno, respectively). In addition, in order to increase our confidence in the estimation of the forecasting performance of each forecasting model, relative weights (referred to as penalties), based on the bounds of the confidence intervals were assigned on the forecasting performance of each model. In order to evaluate the new forecasting performance indices, numerical simulations have been performed by using artificial neural network models for air quality forecasting. Results show that we cannot be confident in any single measure’s estimation, even when a model is estimated of having a high forecasting performance. Thus, it is important to make use of a confidence interval in order to penalize the forecasting performance measures and thus increase our confidence in the estimation of the forecasting performance.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد