| LEADER |
04654nam a22002537a 4500 |
| 001 |
1681107 |
| 041 |
|
|
|a ara
|
| 044 |
|
|
|b مصر
|
| 100 |
|
|
|a الشوادفي، جمال أحمد
|g Alshawadfi, Gamal
|e مؤلف
|9 129946
|
| 245 |
|
|
|a الذكاء الاصطناعى وتحليل السلاسل الزمنية فى حالة العينات الصغيرة
|
| 246 |
|
|
|a Time Series Analysis for Small Samples Using Neural Network
|
| 260 |
|
|
|b جامعة بنها - كلية التجارة
|c 2016
|
| 300 |
|
|
|a 533 - 560
|
| 336 |
|
|
|a بحوث ومقالات
|b Article
|
| 520 |
|
|
|a هذا البحث يتضمن هدفين، الأول تقديم طريقة للتنبؤ بالسلاسل الزمنية بأحجام عينات صغيرة مولدة من نماذج أرما اكس ARMAX. والهدف الثاني مقارنة الطريقة المقترحة بالطريقة التقليدية للتنبؤ من خلال دراسة محاكاة. ولإنجاز هذين الهدفين فقد تم توليد 28000 عينة– بأحجام صغيرة (10، 15، 20) وكبيرة (100، 200، 300)– من نماذج ARMAX مختلفة واستخدامها لتدريب الشبكة واختبارها. وتم استخدام ثلاثة معايير لقياس دقة تنبؤات الطريقتين. المعيار الأول متوسط مربعات الأخطاء (MSE)، والثاني متوسط الانحرافات المطلقة (MAD)، والمعيار الثالث، نسبة اقتراب تنبؤات كل طريقة من القيم الحقيقية (MAEP). كما تم تصميم برنامج ما تلاب MATLAB مناسب لإنجاز توليد عينات البيانات وتدريب واختبار الشبكة العصبية بالطريقة المقترحة، وكذلك للحصول على التنبؤات بالطريقتين المقترحة والتقليدية، ثم المقارنة بين تنبؤات الطريقتين. (برنامج MATLAB مرفق بملحق البحث). وتكمن المشكلة في أن تنبؤات الطريقة التقليدية في حالة العينات الصغيرة من نماذج ARMAX تكون غير دقيقة. ونحن بحاجة إلى الحصول على تنبؤات أكثر دقة في مثل هذه الحالات. وقد أظهرت النتائج تفوق عال للطريقة المقترحة باستخدام الذكاء الاصطناعي، على الطريقة التقليدية وفقا للمعايير الثلاث المستخدمة، خاصة في حالة العينات الصغيرة.
|
| 520 |
|
|
|b This paper has two objects. First, we present an artificial neural network method for forecasting small samples time series generated from ARMAX models. Second, we compare the proposed method with the well-known Box-Jenkins method through a simulation study. To achieve these objects 28000 samples, generated from different ARMAX models, were used for the network training. Then the system was tested for generated data. The accuracy of the neural network forecasts (NNF) is compared with the corresponding Box-Jenkins forecasts(BJF) by using three tools: the mean square error (MSE), the mean absolute deviation of error (MAD) and the ratio of closeness from the true values (MAEP). A MATLAB code was written, for simulation purposes. The code was used for neural network training, testing and comparing with Box-Jenkins method. Using the measures mentioned above, the artificial neural network was found deliver better forecasts than the Box-Jenkins technique for forecasting small samples.
|
| 653 |
|
|
|a السلاسل الزمنية
|a الشبكات العصبية الاصطناعية
|a تعليم الشبكة العصبية
|a الذكاء الاصطناعى
|
| 692 |
|
|
|a الذكاء الاصطناعي
|a الشبكات العصبية
|a بنية الشبكة العصبية
|a تدريب واختبار الشبكة العصبية
|a نماذج
|a تنبؤات طريقة بوكس جينكنز
|a حزم برامج ماتلاب
|b Artificial Inelegant
|b Neural Network
|b Neural Network Architecture
|b ARMAX
|b Box
|b Jenkins Forecasts
|b Matlab Package
|
| 773 |
|
|
|4 الإدارة
|4 الاقتصاد
|6 Management
|6 Economics
|c 013
|f Mağallaẗ Al-Dirāsāt wa Al-Buḥūṯ Al-Tiǧāriyyaẗ
|l 004
|m س36, ع4
|o 1918
|s مجلة الدراسات والبحوث التجارية
|t Journal of Studies and Business Research
|v 036
|x 1110-1547
|
| 700 |
|
|
|a حجاج، عبدالوهاب السيد عبدالوهاب
|g Hagag, Abd El-Wahab
|e م. مشارك
|q Hajjaj, Abdulwahab Alsayed Abdulwahab
|9 367487
|
| 856 |
|
|
|u 1918-036-004-013.pdf
|
| 930 |
|
|
|d y
|p y
|q n
|
| 995 |
|
|
|a EcoLink
|
| 999 |
|
|
|c 934519
|d 934519
|
