دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Matteo Sangiorgio
سری: SpringerBriefs in Applied Sciences and Technology
ISBN (شابک) : 3030944816, 9783030944810
ناشر: Springer
سال نشر: 2022
تعداد صفحات: 110
[111]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 Mb
در صورت تبدیل فایل کتاب Deep Learning in Multi-step Prediction of Chaotic Dynamics: From Deterministic Models to Real-World Systems به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری عمیق در پیشبینی چند مرحلهای دینامیک آشفته: از مدلهای قطعی تا سیستمهای دنیای واقعی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب نشاندهنده اولین تلاش برای مقابله سیستماتیک با استفاده از شبکههای عصبی عمیق برای پیشبینی سریهای زمانی آشفته است. متفاوت از بسیاری از ادبیات فعلی، یک رویکرد چند مرحلهای را پیادهسازی میکند، یعنی پیشبینی یک بازه کامل از ارزشهای آینده. این برای بسیاری از کاربردها، مانند کنترل پیشبینی مدل، که نیاز به پیشبینی مقادیر برای کل افق عقبنشینی دارد، مرتبط است. این کتاب به تدریج از مدلهای قطعی با درجات مختلف پیچیدگی و آشفتگی به سیستمهای پر سر و صدا و سپس به موارد واقعی، عملکرد معماریهای شبکههای عصبی مختلف (پیشخور و مکرر) را مقایسه میکند. همچنین یک رویکرد نوآورانه و قدرتمند برای آموزش ساختارهای مکرر خاص برای وظایف ترتیب به دنباله معرفی می کند. این کتاب همچنین یکی از اولین تلاشها را در زمینه پیشبینی سریهای زمانی محیطی برای بکارگیری تکنیکهای یادگیری انتقالی مانند تطبیق دامنه ارائه میکند.
The book represents the first attempt to systematically deal with the use of deep neural networks to forecast chaotic time series. Differently from most of the current literature, it implements a multi-step approach, i.e., the forecast of an entire interval of future values. This is relevant for many applications, such as model predictive control, that requires predicting the values for the whole receding horizon. Going progressively from deterministic models with different degrees of complexity and chaoticity to noisy systems and then to real-world cases, the book compares the performances of various neural network architectures (feed-forward and recurrent). It also introduces an innovative and powerful approach for training recurrent structures specific for sequence-to-sequence tasks. The book also presents one of the first attempts in the context of environmental time series forecasting of applying transfer-learning techniques such as domain adaptation.
Preface Contents 1 Introduction to Chaotic Dynamics' Forecasting References 2 Basic Concepts of Chaos Theory and Nonlinear Time-Series Analysis 2.1 Dynamical Systems and Their Attractors 2.2 Lyapunov Exponents 2.2.1 Average Exponents 2.2.2 Local Exponents 2.3 Chaotic Systems, Predictability, and Fractal Geometry 2.3.1 Chaotic Attractors and Lyapunov Time Scale 2.3.2 Correlation and Lyapunov Dimensions 2.4 Attractor Reconstruction from Data 2.4.1 Delay-Coordinate Embedding 2.4.2 Estimation of the Largest Lyapunov Exponent References 3 Artificial and Real-World Chaotic Oscillators 3.1 Artificial Chaotic Systems 3.1.1 Logistic Map 3.1.2 Hénon Map 3.1.3 Generalized Hénon Map 3.1.4 Time-Varying Logistic Map 3.2 Real-World Time Series 3.2.1 Solar Irradiance 3.2.2 Ozone Concentration References 4 Neural Approaches for Time Series Forecasting 4.1 Neural Approaches for Time Series Prediction 4.1.1 FF-Recursive Predictor 4.1.2 FF-Multi-Output Predictor 4.1.3 LSTM Predictor 4.2 Performance Metrics 4.3 Training Procedure References 5 Neural Predictors' Accuracy 5.1 Deterministic Systems 5.1.1 Performance Distribution over the System's Attractor 5.1.2 Sensitivity to the Embedding Dimension 5.2 Stochastic Time Series 5.3 Non-Stationary System 5.4 Real-World Study Cases 5.4.1 Solar Irradiance 5.4.2 Ozone Concentration References 6 Neural Predictors' Sensitivity and Robustness 6.1 Simplicity and Robustness of the Experimental Setting 6.2 Predictors' Long-Term Behavior 6.3 Remarks on the Training Procedure 6.3.1 Backpropagation and Backpropagation Through Time 6.3.2 Training with and Without Teacher Forcing 6.4 Advanced Feed-Forward Architectures 6.5 Chaotic Dynamics in Recurrent Networks References 7 Concluding Remarks on Chaotic Dynamics' Forecasting References Index