مقاله ترجمه شده درباره بازیابی اطلاعات بر اساس سند فازی به منظور پیش بینی – سال 2017
مشخصات مقاله:
عنوان فارسی مقاله:
مدل جدید بازیابی اطلاعات بر اساس سند فازی به منظور پیش بینی
عنوان انگلیسی مقاله:
A Novel Fuzzy Document Based Information Retrieval Model for Forecasting
کلمات کلیدی مقاله:
شمعدان ژاپنی، منطق فازی، Tf-idt، پیش بینی، داده کاوی، بازیابی اطلاعات
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
مهندسی نرم افزار و مهندسی الگوریتم ها و محاسبات
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
1-1- تئوری مربوط به شمع ژاپنی
2-1- در رابطه با تئوری منطق فازی
3-1- طرح tf- idf
2. بازبینی زمینه ای و ادبی
3. طراحی جستجو
4.متد
فاز 1: فرایند فازی سازی
فاز 2. بازیابی اطلاعات با استفاده از طرح رتبه ی بندی اصلاح شده ی tf-idf
فاز 3 . پیش بینی با استفاده از طرح رتبه بندی اصلاح شده ی tf- idf
جزئیات هر فاز
4.1. فرایند فازی سازی
4.1.1. فازی سازی تشکیلات شمع در سری زمانی
4.1.2. فازی سازی روند مقادیر بسته قبل و بعد از نقطه مشخص شده p در سری زمانی
4.2. بازیابی اطلاعات با استفاده از طرح رتبه بندی اصلاح شده tf-idf
4.3. پیش بینی با استفاده از طرح رتبه بندی اصلاح شده tf-idf
4.3.1. داده
4.3.2. کلیه بخش های سند
4.3.3. پرس و جو و پیش بینی
4.3.4. مثال
5. نتایج و بحث
6.نتیجه گیری
قسمتی از ترجمه مقاله:
1. مقدمه
پیش گویی و پیش بینی هر دو هم هنر است و از طرف دیگر علم فرایند و خروجی مربوط به پیش بینی دوره هاست که از مدت ها پیش مورد بررسی بوده و هنوز نیز در همان دوره ی اولیه باقی مانده است.ما قادر هستیم تا راه های متعددی را برای مدل سازی یک پدیده را به کار گرفته و به پیش بینی نتایج حاصل از آن بپردازیم. اما یک مدل کلی به منظور مدل ساختن هر پدیده ای وجود ندارد.مدل سازی سیستم های خطی نسبت به سیستم های داینامیکی نسبتا ساده تر است. بازار های سرمایه پر هرج و مرج بوده و سیستم های پویا هم به صورت هم زمان و هم به صورت احساسی به کار برده میشوند. سری زمانی از طریق داده ی بازار سرمایه تولید می شود که تنها می تواند به ارائه ی هزینه های مربوز به سری داده های مالی بپردازد , اما قادر به ارائه ی احساسات عمومی بازیگران بازار که در بازار های سهامشان به تجارت و سرمایه گذاری می پردازند , نیستند. از این رو , در مدل سازی داده های بازار سرمایه یکی از سخت ترین موارد این است که نه تنها داده ها را باید مورد استفاده قرار گیرند , بلکه بایستی به بازار نیز عرضه گردند.
