ترجمه مقاله نمونه برداری هوشمند و یادگیری تابع افزایشی برای داده های بسیار بزرگ و با ابعاد بالا – سال 2016
مشخصات مقاله:
عنوان فارسی مقاله:
نمونه برداری هوشمند و یادگیری تابع افزایشی برای داده های بسیار بزرگ و با ابعاد بالا
عنوان انگلیسی مقاله:
Smart sampling and incremental function learning for very large high dimensional data
کلمات کلیدی مقاله:
تقریب تابع با ابعاد بالا، اختلاف نمونه برداری، طرح آزمایشات، محاسبات احتمالی و تقریبی صحیح، یادگیری تابع، شبکه های عصبی
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
رایانش ابری، هوش مصنوعی
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
2. روش های نمونه برداری داده ها
2.1. روش های تصادفی
2.2. روش های قطعی
2.3. روش های هندسی
2.4. روش های ترکیبی
2.5. نمونه برداری در فضای با ابعاد بالا
2.6. توزیع غیر یکنواخت نمونه برداری
2.7. نمونه برداری اهمیت
3. مقایسه روش های نمونه برداری
3.1. توابع معیار
3.2. اختلاف به عنوان معیاری از یکنواختی در فضای ورودی
3.3. معیارهای آماری تابع پاسخ در فضای خروجی
4. الگوریتم نمونه برداری هوشمند و یادگیری تابع افزایشی
4.1. مرحله مقداردهی اولیه
4.2. نمونه برداری هوشمند در خلال مقداردهی اولیه
4.3. نمونه برداری هوشمند در خلال تکرار
4.4. یادگیری تابع افزایشی
4.5. بررسی همگرایی
4.6. تعیین سطح دقت و اطمینان تقریب زننده
5. نتایج
5.1. رگرسیون تابع معیار فضای ورودی 5 بُعدی
5.2. رگرسیون تابع معیار فضای ورودی 100 بُعدی
5.3. رگرسیون تابع فضای خروجی 62 بُعدی حاصل از یک مساله دنیای واقعی
5.4. رگرسیون تابع فضای ورودی 280 بُعدی حاصل از یک مساله در دنیای واقعی
6. نتیجه گیری ها
قسمتی از مقاله انگلیسی و ترجمه آن:
1. Introduction
Computer-based simulations of tremendously complex mathematical systems describing multifaceted physical, chemical, dynamical and engineering models are usually associated with very expensive costs in terms of processing time and storage. Complex mathematical models are present in a wide variety of scientific areas such as the simulation of atmospheric processes in numerical weather prediction (Han & Pan, 2011; Hsieh & Tang, 1998; Lynch, 2006; Morcrette, 1991), climate modeling (Flato et al., 2013), (Gordon et al., 2000), chemical transport (Grell et al., 2005), (Menut et al., 2013), radiative transfer (Gimeno García, Trautmann, & Venema, 2012) and large eddy simulations (Sagaut, 2006). Other scientific disciplines such as genetics, aerodynamics, or statistical mechanics also make use of highly complex models. The input space of these models can be of high dimensionality with hundreds or more components. The usage of more realistic models usually introduces new dimensions leading to an exponential increase in volume, i.e. ‘‘Big Data’’ (Hilbert & López, 2011; Lynch, 2008).
1. مقدمه
شبیه سازی مبتنی بر کامپیوتر سیستم های فوق العاده پیچیده ریاضی در توصیف مدل های فیزیکی، شیمیایی، دینامیکی و مهندسی چند وجهی معمولاً با هزینه های گزافی از نظر زمان پردازش و ذخیره سازی همراه هستند. مدل های ریاضی پیچیده در طیف گسترده ای از حوزه های علمی مانند: شبیه سازی فرآیندهای جوی در پیش بینی عددی آب و هوا (هان و پان، 2011؛ هسیه و تنگ، 1998؛ لینچ، 2006؛ مورکرت، 1991)، مدلسازی اقلیم (فلاتو و همکاران، 2013؛ گوردون و همکاران، 2000)، حمل و نقل مواد شیمیایی (گرل و همکاران، 2005؛ منوت و همکاران، 2013)، انتقال تابشی (جیمنو گارسیا، تراوتمن، و ونما، 2012) و شبیه سازی گردابه بزرگ (ساگوت، 2006) عرضه شدند. دیگر رشته های علمی از قبیل: ژنتیک، آیرودینامیک، و یا مکانیک آماری نیز از مدل های بسیار پیچیده ای استفاده می کنند. فضای ورودی این مدل ها دارای ابعاد بالایی با صدها مولفه و یا بیشتر هستند. استفاده از مدل های واقعی تر معمولاً ابعاد جدیدی را معرفی نموده و منجر به افزایش نمایی حجم یعنی “داده های بزرگ” می گردد (هیلبرت و لوپز، 2011؛ لینچ، 2008).
