ترجمه فارسی مقاله یک تکنیک جدید نویز زدایی و مدل پیش‌بینی سرعت باد ترکیبی مبتنی بر یادگیری عمیق برای شرایط زمین متغیر

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی A Novel Denoising Technique and Deep Learning Based Hybrid Wind Speed Forecasting Model for Variable Terrain Conditions
عنوان مقاله به فارسی یک تکنیک جدید نویز زدایی و مدل پیش‌بینی سرعت باد ترکیبی مبتنی بر یادگیری عمیق برای شرایط زمین متغیر
نویسندگان Sourav Malakar, Saptarsi Goswami, Amlan Chakrabarti, Bhaswati Ganguli
فرمت مقاله انگلیسی PDF
تعداد صفحات 18
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Neural and Evolutionary Computing,یادگیری ماشین , محاسبات عصبی و تکاملی ,
توضیحات Submitted 28 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 28 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Wind flow can be highly unpredictable and can suffer substantial fluctuations in speed and direction due to the shape and height of hills, mountains, and valleys, making accurate wind speed (WS) forecasting essential in complex terrain. This paper presents a novel and adaptive model for short-term forecasting of WS. The paper's key contributions are as follows: (a) The Partial Auto Correlation Function (PACF) is utilised to minimise the dimension of the set of Intrinsic Mode Functions (IMF), hence reducing training time; (b) The sample entropy (SampEn) was used to calculate the complexity of the reduced set of IMFs. The proposed technique is adaptive since a specific Deep Learning (DL) model-feature combination was chosen based on complexity; (c) A novel bidirectional feature-LSTM framework for complicated IMFs has been suggested, resulting in improved forecasting accuracy; (d) The proposed model shows superior forecasting performance compared to the persistence, hybrid, Ensemble empirical mode decomposition (EEMD), and Variational Mode Decomposition (VMD)-based deep learning models. It has achieved the lowest variance in terms of forecasting accuracy between simple and complex terrain conditions 0.70%. Dimension reduction of IMF's and complexity-based model-feature selection helps reduce the training time by 68.77% and improve forecasting quality by 58.58% on average.

چکیده به فارسی (ترجمه ماشینی)

جریان باد می تواند بسیار غیرقابل پیش بینی باشد و به دلیل شکل و ارتفاع تپه ها ، کوه ها و دره ها می تواند نوسانات قابل توجهی را در سرعت و جهت متحمل شود و پیش بینی دقیق سرعت باد (WS) را در زمین های پیچیده پیش بینی می کند.در این مقاله یک مدل جدید و تطبیقی ​​برای پیش بینی کوتاه مدت Ws ارائه شده است.مشارکتهای اصلی مقاله به شرح زیر است: (الف) عملکرد همبستگی خودکار (PACF) برای به حداقل رساندن ابعاد مجموعه توابع حالت ذاتی (IMF) استفاده می شود ، از این رو کاهش زمان آموزش.(ب) از آنتروپی نمونه (سامپن) برای محاسبه پیچیدگی مجموعه کاهش یافته صندوق بین المللی پول استفاده شد.تکنیک پیشنهادی تطبیقی ​​است زیرا یک ترکیب خاص یادگیری عمیق (DL) بر اساس پیچیدگی انتخاب شد.(ج) یک چارچوب جدید LSTM از ویژگی های دو طرفه برای صندوق بین المللی پول پیچیده پیشنهاد شده است ، که منجر به بهبود دقت پیش بینی شده است.(د) مدل پیشنهادی عملکرد پیش بینی برتر را در مقایسه با تداوم ، ترکیبی ، تجزیه حالت تجربی گروه (EEMD) ، و تجزیه حالت متغیر (VMD) مبتنی بر مدل های یادگیری عمیق نشان می دهد.از نظر دقت پیش بینی بین شرایط ساده و پیچیده زمین 0.70 ٪ به کمترین واریانس رسیده است.کاهش ابعاد صندوق بین المللی پول و انتخاب مدل مبتنی بر پیچیدگی به کاهش زمان آموزش 68.77 ٪ و به طور متوسط ​​58.58 ٪ کیفیت پیش بینی را کاهش می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.