ترجمه لایه کانولاتور دینامیک برای پیش بینی هوای کوتاه مدت

توضیحات

 عنوان فارسی: لایه کانولاتور دینامیک برای پیش بینی هوای کوتاه مدت

عنوان انگلیسی مقاله ترجمه شده:

A Dynamic Convolutional Layer for Short RangeWeather Prediction

لایه کانولاتور دینامیک برای پیش بینی هوای کوتاه مدت

چکیده

یک لایه شبکه عمیق ارائه می شود که لایه کانولا تور دینامیک نام دارد و تعمیمی از لایه کانولاتور رایج می باشد. لایه کانولاتور رایج از فیلترهای استفاده می کنند که در حین یادگیری آموزش می‌بینند و در حین تست ثابت نگه داشته میشوند بر خلاف آن لایه کانولاتوری دینامیک از فیلترهای استفاده می کنند که نسبت به هر ورودی در حین تست تغییر می کند این مسئله با یادگیری تابع های میسر می‌شود که ورودی ها را به فیلتر ها متصل میکند. ما لایه کانولاتور دینامیک را برای پیش بینی های کوتاه مدت اعمال می کنیم و بهبود عملکرد نسبت به سایر روش ها نشان داده خواهد شد

مقدمه

یادگیری عمیق و مخصوصاً شبکه عصبی کانولاتور [16] CNN به طور فزاینده‌ای برای حل کاربردهای متفاوت بینایی ماشین مورد استقبال قرار گرفته است چیزی کهCNN از سایر شبکه های عصبی متمایز می نماید استفاده از لایه کانولاتور میباشد این لایه محاسبه کننده نقشه‌های خصوصیت خروجی با استفاده از کانوال نمودن نقشه های خصوصیت لایه های قبلی و دسته‌های از فیلتر می باشد این فیلتر ها تنها پارامترهای لایه کانولاتور می باشند و در حین یادگیری آموزش می بینند مخصوصاً با الگوریتم انتشار معکوس در سال های اخیرCNN نتایج خلاقانه‌ای در خصوص برخی مسائل چالش برانگیز رسیده‌اند از جمله تشخیص اشیاء مکان یابی اشیا تشخیص سرطان تشخیص چهره و برچسب زدن صفحه]15و۵و۲۴و۲۵و۲۶و۱۱.[ با این انگیزه تصمیم گرفتیم عملکرد آنها را در پیش بینی کوتاه مدت هوا بسنجیم در این کار ۱ توالی تصاویر رادار باران را دریافت میکند شکل ۱ هر ۱۰ دقیقه یک تصویر و هدف این است که تصویر بعدی قرار گرفته در توالی پیش بینی شود با وجود درک نقش امید لایه کانولا تور در مسائل تشخیصی فکر می‌کنیم معماری شبکه متفاوت مناسبتری می‌تواند برای پیش‌بینی کوتاه‌مدت وضعیت هوا وجود داشته باشد مخصوصاً با مشاهده این که می‌توان تصویر رادار موجود در توالی را به عنوان تفسیری از تصویر قبلی توالی تخمین زد نیاز به یک لایه جدید تفسیر کننده آخرین تصویر توالی با توجه به رفتار حرکتی حاکم بر توالی پیشنهاد شد برخاسته از انگیزه ترین مشاهده‌ای یک لایه شبکه عمیق به نام لایه کانولا تور دینامیک ارائه می کنیم که لایه کانولاتوری رایج را تعمیم می بخشد همانند لایه کانولا تور لایه کانولاتور دینامیک نقشه های خصوصیات لایه های قبلی را گرفته و با توجه به فیلتر ها آنها را کانوال می‌کنند.

جامعیت روش از این رو است که فیلترهای لایه کانولا تور دینامیک پارامترهای لایه نبوده و به عنوان خروجی یک زیر شبکه باغ مصنوعی ورودی ها را به مجموعه هایی از فیلترها ارتباط می دهد شکل ۳.

در این پژوهش لایه کانولا تور دینامیک را ارائه کردیم و از آن برای پیش بینی وضعیت هوای کوتاه مدت استفاده نمودیم نتایج با کارهای دیگر از جمله شبکه عصبی کانون طور که از لایه کانولاتوری دینامیک استفاده نمی کنند مقایسه شده است

نشان دادیم با استفاده از لایه جدید ارتقای عملکردی نسبت به روشهای دیگر حاصل می شود کهCNN معمول را نیز شامل می‌شود.

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.