Tìm thấy 18+ kết quả cho từ khóa "Mô hình dự đoán dữ liệu"
tailieu.vn Xem trực tuyến Tải xuống
MÔ HÌNH DỰ ĐOÁN NHÁM BỀ MẶT VÀ MÒN DỤNG CỤ TRONG TIỆN CỨNG CHÍNH XÁC BẰNG DỤNG CỤ CẮT PCBN. Bài báo này trình bày về mô hình dự đoán nhám bề mặt và mòn dụng cụ trong tiện cứng chính xác bằng dụng cụ cắt PCBN (Nitrit Bo lập phương đa tinh thể). Mô hình được xây dụng bằng phương pháp phân tích hồi qui sử dụng dữ liệu đo đạc từ các thí nghiệm tiện cứng chính xác thép 9XC tôi cứng bằng dụng cụ cắt PCBN.
ctujsvn.ctu.edu.vn Xem trực tuyến Tải xuống
Các mô hình môi trường thường được phát triển sử dụng các dữ liệu đo đạc, dựa trên các mối tương quan giữa các biến môi trường và các đặc tính của các quá trình môi trường. Trong nghiên cứu này, mô hình dự đoán lượng phát thải khí dinitơ monoxid (N 2 O) được áp dụng trên khu vực đất tự nhiên của Phần Lan. Kết quả dự đoán của mô hình có khả năng không chính xác do sai số từ các dữ liệu đo đạc và dữ liệu nội suy được sử dụng để điều chỉnh mô hình và làm dữ liệu đầu vào cho mô hình.
tailieu.vn Xem trực tuyến Tải xuống
Trong bài toán dự đoán lỗi phần mềm, vấn đề mất cân bằng dữ liệu như dữ liệu bị thiếu hoặc dư thừa những thuộc tính liên quan sẽ làm ảnh hưởng đến hiệu quả dự đoán của các thuật toán trong mô hình dự đoán lỗi.. Bài báo này khai thác vai trò của mô hình máy học kết hợp – ensemble learning trong dự đoán lỗi, đưa ra các so sánh về hiệu quả của các thuật toán trong mô hình này so với các mô hình dự đoán chỉ gồm một thuật toán máy học đơn.
tailieu.vn Xem trực tuyến Tải xuống
Tập dữ liệu gồm các cặp (𝒙 𝑖 , 𝑦 𝑖 ) trong đó 𝒙 𝑖 là vector đặc trưng 44 chiều và 𝑦 𝑖 là giá trị dự đoán tương ứng. Hình 3 – Mô hình dự đoán.
repository.vnu.edu.vn Xem trực tuyến Tải xuống
TÌM HIỂU MÔ HÌNH HỌC MÁY GIẢI QUYẾT BÀI TOÁN DỰ ĐOÁN DỰ BÁO ỨNG DỤNG TRONG PHÂN TÍCH HÀNH VI. GIAO THÔNG SỬ DỤNG DỮ LIỆU CẢM BIẾN. Tôi cam đoan đây là công trình nghiên cứu của riêng tôi, với sự hỗ trợ từ người hướng dẫn khoa học PGS.TS Nguyễn Hà Nam.. Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác.
tailieu.vn Xem trực tuyến Tải xuống
Khai thác dữ liệu bao gồm các chức năng: chuyển đổi, chuẩn hóa, thống kê và tạo các mô hình phân tích và dự đoán để trích xuất những thông tin hữu ích từ tập dữ liệu lớn, nhằm hỗ trợ cho việc ra quyết định.. Đặc biệt có thể phân lớp dữ liệu và xây dựng các mô hình dự báo trong tương lai. Tuy nhiên, các mô hình có độ chính xác khác nhau và không cao, do vậy việc tìm giải pháp nâng cao hiệu năng của mô hình là rất cần thiết.
ctujsvn.ctu.edu.vn Xem trực tuyến Tải xuống
XÂY DỰNG MÔ HÌNH DỰ BÁO CHUỖI THỜI GIAN CHO DỮ LIỆU KHOẢNG DỰA VÀO BÀI TOÁN PHÂN TÍCH CHÙM. Chuỗi thời gian, dữ liệu khoảng, dự báo, phân tích chùm. Nghiên cứu này đề xuất sử dụng khoảng cách chồng lấp trong đánh giá sự tương tự của hai khoảng. Dựa trên khoảng cách này và bài toán phân tích chùm cho các phần tử rời rạc, mô hình dự báo cho chuỗi thời gian với dữ liệu khoảng được xây dựng trong nghiên cứu. Mô hình đề nghị đã trình bày cụ thể các bước và được minh hoạ bởi một ví dụ số.
ctujsvn.ctu.edu.vn Xem trực tuyến Tải xuống
Cho một chuỗi dữ liệu thực tế {X i } và giá trị dự đoán tương ứng { X i. n, khi đó ta có các tiêu chuẩn sau để đánh giá các mô hình FTS:. Khi thực hiện dự báo, mô hình có các tiêu chuẩn trên càng nhỏ thì càng tốt.. 2.2 Thuật toán đề nghị. n là một chuỗi thời gian.. Mô hình dự báo chuỗi thời gian mờ (FTSF) đề nghị gồm 8 bước sau:. Bước 1: Chuẩn hóa dữ liệu chuỗi về thang đo 100:. Tính các biến đổi của dữ liệu giữa hai khoảng thời gian liên tiếp đã được chuẩn hóa:.
tailieu.vn Xem trực tuyến Tải xuống
Hình 3.6 So sánh độ chính xác dự đoán truy cập Web (dùng giải thuật PageRank và CPT+) trên tập dữ liệu KOSARAK. để triển khai mô hình trên, luận án đưa ra 3 đề xuất tiếp theo là (2) Xây dựng cơ sở dữ liệu tuần tự cho dự đoán truy cập Web. (3) Nâng cao hiệu quả thời gian khai phá dữ liệu truy cập tuần tự cho dự đoán truy cập Web. (4) Nâng cao độ chính xác khai phá dữ liệu cho dự đoán truy cập Web..
tailieu.vn Xem trực tuyến Tải xuống
KHAI PHÁ DỮ LIỆU TUẦN TỰ ĐỂ DỰ ĐOÁN HÀNH VI TRUY CẬP WEB. Để giải quyết bài toán khai phá dữ liệu tuần tự cho dự đoán truy cập Web, nghiên cứu sinh đề ra 4 mục tiêu chính như sau:. (2) Tìm một mô hình cơ sở dữ liệu phù hợp để hỗ trợ cho dự đoán hành vi truy cập Web.. Khai phá dữ liệu tuần tự cho dự đoán truy cập Web là một trong những nghiên cứu quan trọng trong khai phá dữ liệu. (1) Đề xuất một giải pháp để thiết kế và xây dựng cơ sở dữ liệu tuần tự cho dự đoán truy cập Web..
repository.vnu.edu.vn Xem trực tuyến Tải xuống
Hình 4.7 Mô hình mạng nơ-ron với bộ tham số tối ưu theo phương pháp vét cạn Error!. Hình 4.8 Kết quả dự đoán của mô hình SVM. Hình 4.9 Mô hình dự đoán SVM tối ưu theo phương pháp vét cạnError! Bookmark not defined.. Hình 4.10 Sơ đồ quá trình kết hợp giải thuật GA –SVMError! Bookmark not defined.. Hình 4.11 Kết quả mô hình dự đoán SVM tối ưu theo phương pháp GA. Hình 4.12 Kết quả dự đoán bằng mô hình ARIMA kết hợp phương pháp vét cạn.
ctujsvn.ctu.edu.vn Xem trực tuyến Tải xuống
Có nhiều mô hình và giải pháp khác nhau đã được các nhà nghiên cứu đề xuất, với mục tiêu cuối cùng là nâng cao tính chính xác của kết quả dự đoán. Bài toán dự đoán giá cổ phiếu hiện nay chủ yếu được tiếp cận dưới hai dạng, đó là dự. Một trong những hướng tiếp cận phổ biến hiện nay để giải quyết bài toán dự đoán giá cổ phiếu là trích xuất mô hình mờ dự đoán giá cổ phiếu từ dữ liệu giao dịch lịch sử, gọi là mô hình mờ hướng dữ liệu (data-driven model).
000000296947.pdf
dlib.hust.edu.vn Xem trực tuyến Tải xuống
dữ liệu tài khoản XX1 sử dụng đường cong khớpbậc cao. 55 Hình 14 : Đồ thị các điểm dữ liệu tài khoản Y21 tại KBNN A theo đường cong khớp bậc cao. 56 Hình 15 : Đồ thị các điểm dữ liệu tài khoản Y21 tại KBNN B theo đường cong khớp bậc cao. 56 Hình 16 : Đồ thị dự đoán tài khoản XX1 theo thời gian sử dụng nội suy Lagrange. 60 Hình 17 : Đồ thị dự đoán tài khoản XX1 theo thời gian sử dụng nội suy Spline bậc 3. 61 Hình 18 : Đồ thị dự đoán tài khoản XX1 theo thời gian sử dụng hồi quytuyến tính. 62 Hình
312521.pdf
dlib.hust.edu.vn Xem trực tuyến Tải xuống
Hiện nay có nhiều phương pháp cho việc khai phá dữ liệu. Phân loại là một trong những kỹ thuật khai phá dữ liệu hữu ích cho việc dự đoán thành phần trong dữ liệu thể hiện. Phân loại thuộc loại học máy giám sát trong đó có cung cấp nhãn dữ liệu trước. Bằng cách huấn luyện dữ liệu từ đó chúng ta có thể dự đoán dữ liệu trong tương lai. Việc dự đoán được thực hiện ở dạng đưa ra lớp mà dữ liệu đó thuộc về. Việc huấn luyện dựa trên dữ liệu mẫu được cung cấp.
tailieu.vn Xem trực tuyến Tải xuống
Ứng dụng các mô hình thay thế và mô hình giảm bậc để dự đoán khả năng làm việc của kết cấu và tối ưu thời gian tính trên phần MATLAB.. Nguyễn Văn Hợp, Phạm Thị Nghĩa - Kết cấu thép máy xây dựng – xếp dỡ, NXB Giao Thông Vận Tải - Hà Nội - 1996.. Vũ Đình Lai, Nguyễn Xuân Lựu, Bùi Đình Nghi, Sức bền vật liệu- NXB Giao thông vận tải, Hà nội, 2007. Vũ Quốc Anh, Phạm Thanh Hoan - Tính toán kết cấu bằng phần mềm ANSYS, NXB. Xây dựng - Hà Nội - 2006.
tailieu.vn Xem trực tuyến Tải xuống
Có nhiều mô hình dự báo được đề xuất như ARMA, ARIMA, MA [9], chuỗi thời gian mờ [1], trong đó mô hình dự báo chuỗi thời gian mờ dựa trên lý thuyết tập mờ của Zadeh [10] đã và đang thu hút cộng đồng các nhà khoa học nghiên cứu trong những năm gần đây do có thể dự báo tốt đối với các mẫu dữ liệu có độ biến thiên lớn, dữ liệu được ghi nhận dưới dạng nhãn ngôn ngữ (như “low”, “medium”, “high”, “very high.
tailieu.vn Xem trực tuyến Tải xuống
Do đó, nghiên cứu được thực hiện với hai mục tiêu: (i) Xây dựng và đánh giá mô hình toán học QSAR để dự đoán tác dụng XOI của các hợp chất flavonoid dựa trền đặc điểm cấu trúc phân tử. (ii) ứng dụng mô hỉnh xây dựng được đề sàng iọc các hợp chất flavonoid có hóạỉ tính XOI tiềm năng.. Đôi tượng nghiên cứu. Cơ sờ dữ liệu 1 (CSDL1) dùng đề xây dựng mô hình gồm hoạt tính XÒÍ thể hiện qua giá trí phần trăm ức che. của 52 hợp chất fiavonoid có i% >.
312541.pdf
dlib.hust.edu.vn Xem trực tuyến Tải xuống
16: Kết quả dự đoán mô hình FLNN với bộ dữ liệu 5 phút. 44 Hình 17: Kết quả dự đoán mô hình FLNN với bộ dữ liệu 10 phút. 45 Hình 18: Kết quả thử nghiệm các hàm mở rộng FLNN trên bộ dữ liệu 3 phút. 48 Hình 19: Kết quả thử nghiệm các hàm mở rộng FLNN trên bộ dữ liệu 5 phút. 49 Hình 20: Kết quả thử nghiệm các hàm mở rộng FLNN trên bộ dữ liệu 10 phút. 50 Hình 21: Kết quả dự đoán mô hình FLNN và LSTM bộ dữ liệu 3 phút. 52 Hình 22: Kết quả dự đoán mô hình FLNN và LSTM bộ dữ liệu 5 phút. 52 Hình 23: Kết
dlib.hust.edu.vn Xem trực tuyến Tải xuống
tập mờ loại 2 rời rạc. 58 3.4.2 Xác định cấu trúc mô hình mờ loại 2 rời rạc ứng với số cụm c. 60 3.4.4 Xây dựng bảng tra cứu m. 65 4.2 Kiến trúc của mô hình mờ trong hệ thống dự đoán ảnh hưởng của sâu bệnh hại lúa. 66 4.3 Xây dựng mô hình mờ dự đoán ảnh hưởng của sâu bệnh hại lúa. 68 4.4 Xây dựng chương trình.
tailieu.vn Xem trực tuyến Tải xuống
Thuật toán Salesperson đợc xây dựng trên cơ sở mô hình dữ liệu. đồ thị và mô hình dữ liệu tập hợp. Để có đợc chơng trình, chúng ta phải biểu diễn đồ thị, tập hợp bởi các cấu trúc dữ liệu. Xây dựng các mô hình dữ liệu mô tả bài toán. Biểu diễn các mô hình dữ liệu bởi các cấu trúc dữ liệu. Với các cấu trúc dữ liệu đã lựa chọn, các phép toán trên các mô hình dữ liệu đ- ợc thể hiện bởi các thủ tục (hàm) trong ngôn ngữ lập trình nào đó..