ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > إستخدام الخوارزمية الجينية لتق...>الوصف
يجب تسجيل الدخول أولا

إستخدام الخوارزمية الجينية لتقدير نقاط التغيير في إحدى نماذج النظم الحركية غير المستقرة مع التطبيق

العنوان بلغة أخرى: Using Genetic Algorithm for Estimating Change Point in One Non-Stationary Dynamic Systems Modelwith Application
المصدر: المجلة العراقية للعلوم الإحصائية
الناشر: جامعة الموصل - كلية علوم الحاسوب والرياضيات
المؤلف الرئيسي: الشرابي، نجلاء سعد إبراهيم (مؤلف)
المؤلف الرئيسي (الإنجليزية): Ibrahim, Najla Saed
مؤلفين آخرين: البدرانى، ظافر رمضان مطر (م. مشارك)
المجلد/العدد: ع27
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2018
الصفحات: 137 - 149
ISSN: 1680-855X
رقم MD: 978860
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: EcoLink
مواضيع:
السياسة التعليمية | البرامج التعليمية | علم الخوارزيميات الجينية | الأنظمة الحركية غير المستقرة | التطبيقات الإلكترونية | العراق | المجتمع العراقي | مستخلصات الأبحاث
كلمات المؤلف المفتاحية:
الخوارزمية الجينية | نماذج النظم الحركية
رابط المحتوى:

الناشر لهذه المادة لم يسمح بإتاحتها.
صورة الغلاف QR قانون
حفظ في:
المستخلص: تم في هذا البحث استخدام إحدى أساليب التشخيص للأنظمة الحركية غير المستقرة، وهو أسلوب تقطيع البيانات إذ تبدأ معالجة مشكلة تشخيص النظم غير المستقرة من التشخيص خارج الخط الذي يعد الحجر الأساس في الوصول إلى الأنموذج الذي يعد الأكثر ملاءمة في وصف النظام، من بعدها يتم إجراء عملية التقطيع للبيانات، إذ يتم تقطيع سلسلتي المدخلات والمخرجات إلى فترات زمنية بإذ يمكن الحصول على بيانات مستقرة ضمن كل فترة تقريبا. الهدف الأساسي لعملية تقطيع البيانات هو تقليل دالة الخسارة، وكذلك الحصول على أنموذج يمثل فترة البيانات المعنية أفضل ما يمكن. تم توظيف الخوارزمية الوراثية لإيجاد عدد ومواقع نقاط التغيير وإيجاد الأنموذج الملائم لكل قسم باستخدام التطبيق على بيانات مولدة، وبينت النتائج التي حصل عليها البحث بالتطبيق أنها طريقة جيدة وكفؤة في تقدير مواقع وعدد نقاط التغيير.

One of the diagnostic methods for non-stationary dynamic systems was used in this research, namely data segmentation. The identification problem for non-stationary systems starts from the outline diagnostic, which considered as the cornerstone of reaching a model that is more appropriate in describing the system. Consequently the data segmentation operation is performed, were the input and output series are segmented into time intervals so that stable data can be obtained within each interval. The main objective of the data segmentation process is to minimize the loss function and obtain a model that represents the data interval in question as best as possible. We used the genetic algorithm to find the number, location change points, and model fits for each part by applying a generator. Results showed that it is a good and efficient way to estimate the location and number of points of change.
ISSN: 1680-855X

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.