دانلود ترجمه مقاله تحلیل اطلاعات لرزه ای به کمک شبکه های عصبی مصنوعی عمیق – اسپرینگر 2018

دانلود ترجمه مقاله تحلیل اطلاعات لرزه ای به کمک شبکه های عصبی مصنوعی عمیق – اسپرینگر 2018:شبکه های عصبی مصنوعی عمیق انتخاب بهتری از ویژگی ها در داده های سری های زمانی در مقایسه با شبکه های NN کم عمق ارائه می کنند و ویژگی های بیشتری را نیز در نظر می گیرند. واضح است که تمامی ساختارهای موجود DNN و انتخاب های آموزش آن ها در این مقاله ارائه نشده است.. به عنوان مثال، یک جهت گیری امیدوار کننده توسعه مدل هایی است که معماری خود را در فرآیند یادگیری تغییر می دهند. کارهای تحقیقاتی عملی در حال حاضر در اختیار ریاضی دانان است تا هر چیزی را در ارتباط با DNN اثبات کنند. نسخه های بسیاری از معماری عمیق وجود دارد و در بیشتر موارد هیچ اثبات ریاضی مبنی بر بهتر یا خوب بودن آن ها نسبت به موارد دیگر وجود ندارد.

مقاله انگلیسی+ترجمه فارسی

فهرست مقالات

چکیده

مقدمه

شبکه های عصبی عمیق

ویژگی های تحلیل داده های لرزه ای

یادگیری چند منظوره

نتایج و بحث

نتیجه گیری ها

منابع

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.

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 مقاله:دانلود ترجمه مقاله شبکه های عصبی مصنوعی عمیق

مقدمه

شبکه های عصبی[1] (NN) مصنوعی به طور گسترده در پردازش داده های لرزه شناسی مورد استفاده قرار می گیرند. امکان آموزش شبکه عصبی برای حل چنین امور پیچیده ای همانند شناسایی الگو، تشخیص سیگنال، مدل سازی غیرخطی، طبقه بندی و رگرسیون با استفاده از یک نمونه آمورش وجود دارد به نحوی که پاسخ صحیح برای هر نمونه معلوم است (یادگیری نظارتی). با این حال، توسعه فناوری های شبکه عصبی به دلیل تعداد زیاد قوانین اکتشافی برای طراحی و آموزش شبکه با محدودیت مواجه است. نکته اصلی این است که در این وضعیت مشخص نیست که معماری شبکه ساخته شده بهینه است یا به بهترین روش آموزش دیده است به این معنا که حداقل عمومی تابع خطا یافت شده باشد.

اگرچه یک شبکه عصبی با یک لایه مخفی می تواند هر تابعی را با هر دقتی تخمین بزند اما به عنوان یک جدول جستجو[2] برای آموزش نمونه همراه با درون یابی[3] کمتر یا بیشتر صحیح مقادیر متوسط و برون یابی[4] در مرزها در نظر گرفته می شود (Cybenko, 1989). محدودیت های اصلی کاربرد پذیری شبکه عصبی نیر با مسائل ساگازگاری بیش از حد، توازن پایداری- انعطاف پذیری و ابعاد مرتبط است (Friedman, 1994). واضح است که روش های متفاوتی برای عبوز از این مشکلات توسعه داده می شوند اما بیشتر آن ها اکتشافی هستند.

یک شبکه عصبی آموزش دیده به سرعت کار می کند اما فرآیند یادگیری نیازمند یک زمان نامحدود است. علاوه بر این، آماده سازی نمونه آموزش به طور معمول به خودی خود یک فرآیند زمان بر است (Gravirov  and Kislov, 2015). برخی راهکارها برای این مساله یافت شده است. به عنوان مثال، برخی شبکه های عصبی می توانند مثال ها را با یک پاسخ نامعلوم طبقه بندی کنند (یادگیری بدون نظارت[5]) که سبب کار آماده سازی می شود (Köhler et al., 2010).

آماده سازی نمونه آموزش (مطالعه، ارزیابی، تحلیل و پیش پردازش) زمان بر است اما به طور گسترده راندمان کار را تعیین می کند. همچنین می بایست اضافه شود که این تقریبا یک هنر است و نتیجه به طور گسترده به تجربه محقق وابسته است.

[1] neural networks

[2] lookup table

[3] interpolation

[4] Extrapolation

[5] unsupervised learning