دانلود مقاله ISI انگلیسی شماره 112031
ترجمه فارسی عنوان مقاله

طبقه بندی زمانی با استفاده از آموزش فراگیر برای برنامه ریزی فرآیند: یک مورد از صنعت فرایند

عنوان انگلیسی
Time Series Classification using Deep Learning for Process Planning: A Case from the Process Industry
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
112031 2017 8 صفحه PDF سفارش دهید
دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 4452 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 18 تومان 10 روز بعد از پرداخت 80,136 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 36 تومان 5 روز بعد از پرداخت 160,272 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
تولید محتوا برای سایت شما
پایگاه ISIArticles آمادگی دارد با همکاری مجموعه «شهر محتوا» با بهره گیری از منابع معتبر علمی، برای کتاب، سایت، وبلاگ، نشریه و سایر رسانه های شما، به زبان فارسی «تولید محتوا» نماید.
  • تولید محتوا با مقالات ISI برای سایت یا وبلاگ شما
  • تولید محتوا با مقالات ISI برای کتاب شما
  • تولید محتوا با مقالات ISI برای نشریه یا رسانه شما
  • و...

پیشنهاد می کنیم کیفیت محتوای سایت خود را با استفاده از منابع علمی، افزایش دهید.

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Procedia Computer Science, Volume 114, 2017, Pages 242-249

ترجمه کلمات کلیدی
یادگیری عمیق، طبقه بندی زمانی، صنایع فرآوری، تشخیص نقص سطح فولاد،
کلمات کلیدی انگلیسی
Deep Learning; Time Series Classification; Process Industry; Steel Surface Defect Detection;
پیش نمایش مقاله
پیش نمایش مقاله طبقه بندی زمانی با استفاده از آموزش فراگیر برای برنامه ریزی فرآیند: یک مورد از صنعت فرایند

چکیده انگلیسی

Multivariate time series classification has been broadly applied in diverse domains over the past few decades. However, before applying the classification algorithms, the vast majority of current studies extract hand-engineered features that are assumed to detect local patterns in the time series. Therefore, the efficiency and precision of these classification approaches are heavily dependent on the quality of variables defined by domain experts. Recent improvements in the deep learning domain offer opportunities to avoid such an intensive hand-crafted feature engineering which is particularly important for managing the processes based on time-series data obtained from various sensor networks. In our paper, we propose a framework to extract the features in an unsupervised (or self-supervised) manner using deep learning, particularly stacked LSTM Autoencoder Networks. The compressed representation of the time-series data obtained from LSTM Autoencoders are then provided to Deep Feedforward Neural Networks for classification. We apply the proposed framework on sensor time series data from the process industry to detect the quality of the semi-finished products and accordingly predict the next production process step. To validate the efficiency of the proposed approach, we used real-world data from the steel industry.

دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 4452 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 18 تومان 10 روز بعد از پرداخت 80,136 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 36 تومان 5 روز بعد از پرداخت 160,272 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.