مقاله شبکه های عصبی مصنوعی ابزاری برای تحلیل داده های لرزه ای (2018 اسپرینگر)
عنوان فارسی مقاله | شبکه های عصبی مصنوعی عمیق به عنوان ابزاری برای تحلیل داده های لرزه ای |
عنوان انگلیسی مقاله | Deep Artificial Neural Networks as a Tool for the Analysis of Seismic Data |
فهرست مطالب | چکیده
مقدمه شبکه های عصبی عمیق ویژگی های تحلیل داده های لرزه ای یادگیری چند منظوره نتایج و بحث نتیجه گیری ها منابع |
نمونه مقاله انگلیسی | Abstract
The number of seismological studies based on artificial neural networks has been increasing. However, neural networks with one hidden layer have almost reached the limit of their capabilities. In the last few years, there has been a new boom in neuroinformatics associated with the development of third-generation networks, deep neural networks. These networks operate with data at a higher level. Unlabeled data can be used to pretrain the network, i.e., there is no need for an expert to determine in advance the phenomenon to which these data correspond. Final training requires a small amount of labeled data. Deep networks have a higher level of abstraction and produce fewer errors. The same network can be used to solve several tasks at the same time, or it is easy to retrain it from one task to another. The paper discusses the possibility of applying deep networks in seismology. We have described what deep networks are, their advantages, how they are trained, how to adapt them to the features of seismic data, and what prospects are opening up in connection with their use. |
نمونه ترجمه فارسی | چکیده
تعداد مطالعات لرزه شناسی برمبنای شبکه های عصبی مصنوعی در حال افزایش است. با این حال، شبکه های عصبی با یک لایه مخفی (پنهان) تقریباً به محدوده قابلیت های خود دست یافته است. در چند سال اخیر پیشرفت های جدیدی در زمینه فناوری نرونی مرتبط با توسعه شبکه های نسل سوم یعنی شبکه عصبی عمیق وجود داشته است. این شبکه ها با داده هایی در یک سطح بالاتر کار می کنند. داده های بدون علامت برای پیشگیری از شبکه قابل استفاده هستند، به این معنا که نیازی وجود ندارد که یک متخصص از قبل مشخص کند که این داده ها به چه پدیده ای مرتبط هستند. آموزش نهایی نیازمند مقدار کمی از داده های علامت گذاری شده است. شبکه های عمیق دارای یک سطح بالاتر از انتزاع هستند و خطاهای کمتری تولید می کنند. شبکه ای یکسان برای حل کارهای متعدد در یک زمان قابل استفاده است یا دستیابی به آن از یک کار به کار دیگر آسان است. این مقاله درباره امکان به کارگیری شبکه های عمیق در لرزه شناسی بحث می کند. ما به طور کامل شبکه های عمیق، مزیت های آن ها، نحوه آموزش آن ها، نحوه تطبیق آن ها با ویژگی های داده های لرزه شناسی و چشم اندازهای موجود در ارتباط با استفاده از آن ها را به طور کامل مورد بررسی قرار داده ایم. توجه؛ (همانطور که در نمونه ترجمه مشاهده مینمایید، این ترجمه توسط مترجم مجرب با رشته مرتبط به صورت کاملا تخصصی انجام شده و ادامه مقاله نیز به همین صورت با کیفیت عالی در فرمت ورد و pdf آماده خریداری و دانلود میباشد.) |
سال انتشار | 2018 |
ناشر | اسپرینگر |
مجله | ابزارهای لرزه ای – Seismic Instruments |
کلمات کلیدی انگلیسی | deep neural networks – deep learning – greedy algorithm – seismic data – multitask learning |
کلمات کلیدی | شبکه های عصبی عمیق، یادگیری عمیق، الگوریتم حریصانه، داده های لرزه ای، یادگیری چند منظوره |
صفحات مقاله انگلیسی | 9 |
صفحات ترجمه مقاله | 17 |
مناسب برای رشته | ژئوفیزیک |
مناسب برای گرایش | لرزه نگاری، زلزله شناسی |
توضیحات | این مقاله ترجمه شده و فایل تایپ شده با فرمت ورد آن آماده خریداری و دانلود میباشد. |
دانلود مقاله انگلیسی | ○ دانلود رایگان مقاله انگلیسی با فرمت pdf (کلیک کنید) |
خرید ترجمه فارسی | ○ خرید ترجمه آماده این مقاله با فرمت ورد (کلیک کنید) |
سایر مقالات این رشته | ○ مشاهده سایر مقالات رشته ژئوفیزیک (کلیک کنید) |