دانلود ترجمه مقاله فراگیری عمیق برای تحلیل سریهای زمانی (2017) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

فراگیری عمیق برای تحلیل سریهای زمانی

Deep Learning for Time-Series Analysis

چکیده

مقدمه

شبکه عصبی مصنوعی

مروری برادبیات

یادگیری عمیق برای مدلسازی سریهای زمانی

یادگیری عمیق برای طبقه بندی سریهای زمانی

GAF

MTF

اجرای طبقه بندی با تصاویر تولید شده

یادگیری عمیق برای تشخیص آنومالی سریهای زمانی

نتیجه گیری

چکیده

در بسیاری از کاربردهای دنیای واقعی، مثلاً بازشناسی گفتار یا طبقه بندی مرحله خواب، داده ها طی یک دوره زمانی بدست آمده و سریهای زمانی را تشکیل می دهند. سریهای زمانی اغلب حاوی وابستگی های زمانی هستند که موجب می شوند نقاط زمانی متفاوت (غیر یکسان) به کلاس های متفاوت تعلق داشته باشند یا رفتار متفاوتی را پیش بینی نمایند. به طور کلی، این ویژگی مشکلات تجزیه و تحلیل آنها را افزایش می دهد. تکنیک های موجود اغلب وابسته به ویژگیهای دستی (ساخته شده با دست) هستند که ساخت آنها هزینه بر و نیازمند دانش خبره و تخصصی از فیلد بود. با ظهور یادگیری عمیق، مدلهای جدید یادگیری نظارت نشده برای تحلیل و پیش بینی سریهای زمانی توسعه یافته است. چنین توسعه های جدیدی موضوع این مقاله هستند: تکنیک های اصلی یادگیری عمیق مرور شده و برخی از کاربردهای تحلیل سریهای زمانی جمع بندی شده است. نتایج بدست آمده روشن می کند که یادگیری عمیق، سهم به سزایی در فیلد دارد.

6- نتیجه گیری

هنگام استفاده از یادگیری عمیق، هدف پشته سازی چندین لایه شبکه عصبی مستقل است، که با کار کردن در کنار هم، نتایج بهتری نسبت به ساختارهای سطحی قبلاً موجود حاصل می نمایند. در این مقاله، برخی از این ماژولها و همچنین کاراخیر انجام شده با استفاده از آنها در تحقیقات علمی را مرور کرده ایم. به علاوه، راجع به برخی وظایف اصلی انجام شده هنگام دستکاری داده های سریهای زمانی با استفاده از ساختارهای شبکه عصبی عمیق بحث کرده ایم. بالاخره، بر کاری که هر یک از این وظایف انجام می دهند، تمرکز خاص تری اعمال گردید. در این موارد، استفاده از یادگیری عمیق برای تحلیل سریهای زمانی، نتایجی بهتر از تکنیک های قبلی حاصل کرده است، که نشان می دهد فیلدی امیدوارکننده جهت بهبود و پیشرفت است.

Abstract

In many real-world application, e.g., speech recognition or sleep stage classification, data are captured over the course of time, constituting a Time-Series. Time-Series often contain temporal dependencies that cause two otherwise identical points of time to belong to different classes or predict different behavior. This characteristic generally increases the difficulty of analysing them. Existing techniques often depended on hand-crafted features that were expensive to create and required expert knowledge of the field. With the advent of Deep Learning new models of unsupervised learning of features for Time-series analysis and forecast have been developed. Such new developments are the topic of this paper: a review of the main Deep Learning techniques is presented, and some applications on Time-Series analysis are summaried. The results make it clear that Deep Learning has a lot to contribute to the field.

6- Conclusion

When applying Deep Learning, one seeks to stack several independent neural network layers that, working together, produce better results than the already existing shallow structures. In this paper, we have reviewed some of these modules, as well the recent work that has been done by using them, found in the literature. Additionally, we have discussed some of the main tasks normally performed when manipulating Time-Series data using deep neural network structures. Finally, a more specific focus was given on one work performing each one of these tasks. Employing Deep Learning to Time-Series analysis has yielded results in these cases that are better than the previously existing techniques, which is an evidence that this is a promising field for improvement. Acknowledgments. I would like to thank Ahmed Sheraz and Mohsin Munir for their guidance and contribution to this paper.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

فراگیری عمیق برای تحلیل سریهای زمانی

Deep Learning for Time-Series Analysis