Neural Networks and Sea Time Series: Reconstruction and Extreme-Event Analysis

شبکه‌های عصبی به طور فزاینده‌ای در طیف وسیعی از زمینه‌ها مورد استفاده و پیاده‌سازی قرار می‌گیرند و به ابزارهای مفیدی در تحلیل احتمالی و نظریه پیش‌بینی تبدیل شده‌اند. این کتاب - که در ادبیات منحصر به فرد است - کاربرد شبکه های عصبی را برای تجزیه و تحلیل سری های زمانی داده های دریا، یعنی ارتفاع موج های قابل توجه و سطح دریا مورد مطالعه قرار می دهد. مشکل خاصی که به عنوان نقطه شروع بررسی می شود، بازسازی داده های از دست رفته است، یک مشکل کلی که در بسیاری از موارد تجزیه و تحلیل داده ها ظاهر می شود.

موضوعات خاص تحت پوشش عبارتند از:

* ارائه اطلاعات کلی در مورد پدیدارشناسی امواج و جزر و مد و همچنین جزئیات فنی مربوط به فرآیندهای اندازه گیری مختلف مورد استفاده در مطالعه

* شرح مدل امواج باد (WAM) برای تعیین تابع طیفی امواج و پیش بینی رفتار SWH (ارتفاع موج قابل توجه) استفاده می شود. مقایسه ای از بازسازی سری های زمانی SWH به دست آمده با استفاده از الگوریتم های شبکه عصبی در مقابل SWH محاسبه شده توسط WAM

* انجام شده است. اصول شبکه های عصبی مصنوعی، نظریه تقریب، و نظریه ارزش شدید لازم برای درک اصل کاربردهای کتاب

* کاربرد شبکه های عصبی مصنوعی (ANN) برای بازسازی SWH و سطح دریا (SL)

* مقایسه رویکرد ANN و رویکرد عملگر تقریبی، نمایش مزایای ANN

* بررسی تجزیه و تحلیل رویدادهای شدید اعمال شده در سری زمانی داده های دریا در مکان های خاص

* تعمیم شبکه عصبی مصنوعی برای درمان مشکلات مشابه برای انواع دیگر پدیده ها و داده ها

این کتاب، ترکیبی دقیق از تئوری و کاربردها، مقدمه ای عالی برای استفاده از شبکه عصبی مصنوعی است که ممکن است خوانندگان را تشویق کند تا رویکردهای مشابه را در زمینه های کاربردی مهم دیگر امتحان کنند. محققان، پزشکان و دانشجویان کارشناسی ارشد پیشرفته در شبکه های عصبی، مهندسی هیدرولیک و دریایی، نظریه پیش بینی و تجزیه و تحلیل داده ها از نتایج و ایده های جدید ارائه شده در این منبع مفید بهره مند خواهند شد.

Increasingly, neural networks are used and implemented in a wide range of fields and have become useful tools in probabilistic analysis and prediction theory. This book—unique in the literature—studies the application of neural networks to the analysis of time series of sea data, namely significant wave heights and sea levels. The particular problem examined as a starting point is the reconstruction of missing data, a general problem that appears in many cases of data analysis.

Specific topics covered include:

* Presentation of general information on the phenomenology of waves and tides, as well as related technical details of various measuring processes used in the study

* Description of the model of wind waves (WAM) used to determine the spectral function of waves and predict the behavior of SWH (significant wave heights); a comparison is made of the reconstruction of SWH time series obtained by means of neural network algorithms versus SWH computed by WAM

* Principles of artificial neural networks, approximation theory, and extreme-value theory necessary to understand the main applications of the book

* Application of artificial neural networks (ANN) to reconstruct SWH and sea levels (SL)

* Comparison of the ANN approach and the approximation operator approach, displaying the advantages of ANN

* Examination of extreme-event analysis applied to the time series of sea data in specific locations

* Generalizations of ANN to treat analogous problems for other types of phenomena and data

This book, a careful blend of theory and applications, is an excellent introduction to the use of ANN, which may encourage readers to try analogous approaches in other important application areas. Researchers, practitioners, and advanced graduate students in neural networks, hydraulic and marine engineering, prediction theory, and data analysis will benefit from the results and novel ideas presented in this useful resource.