این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در 7 صفحه در سال 2016 منتشر شده و ترجمه آن 18 صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
یادگیری ماشین با داده های بزرگ یک سیستم پیش بینی کارآمد برای تولید برق |
| عنوان انگلیسی مقاله: |
Machine Learning with Big Data An Efficient Electricity Generation Forecasting System |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2016 |
| تعداد صفحات مقاله انگلیسی | 7 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی کامپیوتر و مهندسی برق |
| گرایش های مرتبط با این مقاله | تولید، انتقال و توزیع، هوش مصنوعی، مهندسی نرم افزار و مهندسی الکترونیک |
| مجله | تحقیقات کلان داده – Big Data Research |
| دانشگاه | گروه مهندسی برق و کامپیوتر، علوم کامپیوتر، دانشگاه نیوهیون، ایالات متحده آمریکا |
| کلمات کلیدی | شبکه عصبی مصنوعی، پس انتشار، داده های بزرگ، پیش بینی تولید برق، هادوپ، MapReduce |
| شناسه شاپا یا ISSN | ISSN 2214-5796 |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در نشریه Elsevier |
| نشریه الزویر |  |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| کیفیت ترجمه | ویژه – طلایی ⭐️⭐️⭐️ |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 18 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه نشده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- فهرست مطالب:
چکیده
1. مقدمه
2. پیشینه
3. طراحی چارچوبی برای استراتژی پیشنهادی
1. 3 پردازش داده های خام و استخراج ویژگیها
2. 3 نرمال سازی داده ها درفرمت ساختاریافته
3. 3 آموزش BPNN برای پیش بینی تولید برق
4. نتایج و تحلیل
5. نتیجه گیری
- بخشی از ترجمه:
5. نتیجه گیری
در این مطالعه برای مقابله با تحلیل داده های بزرگ، طرح ML پیاده شده است. داده های بزرگ توانایی مقابله با مجموعه داده های بزرگ در فرمت های مختلف را دارند، بنابراین راه حل مناسبی برای تحلیل به شمار می روند. ترکیب ML با داده های بزرگ شیوه ای جدید برای حل مسائل پیچیده مرتبط با پیش بینی تولید برق می باشد. پیش بینی تولید برق مسئله ای چالش برانگیز می باشد، به ویژه زمانی که با مجموعه داده بزرگ تکمیل شده با نویز مقابله می کنیم. نتایج آزمایشی این کار با تولید برق آتی پیش بینی شده، مقایسه و نشان داده شده است که تطابق (مطابقت) نزدیکی بین مقادیر مربوطه آنها وجود دارد. نقش شیوه داده های بزرگ، استخراج ویژگیهای آماری مطلوب از داده ها با استفاده از الگوریتم توزیع شده به شکل MapReduce روی پلتفرم عملکرد بالا و استفاده از ANN برای یافتن رابطه یا الگوهای خاص در داده ها می باشد. از این رابطه برای پیش بینی تولیدهای آتی استفاده می شود. نتایج بدست آمده تطابق نزدیک بین مقادیر حقیقی و پیش بینی شده تولید برق را نشان می دهد.
- بخشی از مقاله انگلیسی:
5. Conclusion
In this study, a ML scheme is implemented to deal with Big Data analytics. Big Data has the ability to deal with large datasets in different formats, hence a suitable solution for analytics. ML combined with Big Data is a novel approach to solve a complex problem related to power generation prediction. Electricity generation forecasting is a challenging issue, especially when one is dealing with a large dataset complemented with noise. Experimental results of this work have been compared to predicted future power generations, and it provides a close match between their respective values. The role of Big Data approach is to extract the desired statistical features from the data using a distributed algorithm in the form of MapReduce on high performance platform and applied to ANN to find a relationship or specific patterns in the data. This relationship is used to forecast future generations. The results show a close proximity between the forecasted and the actual power generation values.
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
تولید برق با سیستم پیش بینی کارآمد و آموزش ماشین با داده بزرگ |
| عنوان انگلیسی مقاله: |
Machine Learning with Big Data An Efficient Electricity Generation Forecasting System |
|
|