دانلود مقاله ISI انگلیسی شماره 91407 + ترجمه فارسی
ترجمه فارسی عنوان مقاله

رویکرد یادگیری ماشینی در پیش بینی رابطه بین منابع انرژی و توسعه اقتصادی

عنوان انگلیسی
A machine learning approach for predicting the relationship between energy resources and economic development
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
91407 2018 9 صفحه PDF 8 صفحه WORD
دانلود فوری مقاله + ترجمه آماده
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 : Physica A: Statistical Mechanics and its Applications, Volume 495, 1 April 2018, Pages 211-214

فهرست مطالب ترجمه فارسی
چکیده


کلمات کلیدی


1.مقدمه


1-1 مروری بر مصرف انرژی و توسعه اقتصادی 


1.2هدف


2مواد و روش ها


2.1.داده های آماری 


جدول 1. پارامترهای ورودی و خروجی


2.2.شبکه عصبی مصنوعی 


3.نتایح و مباحث


جدول 2: پارامترهای ELM و پس انتشار


شکل 1: پیش بینی ELM از تولید ناخالص داخلی در (الف) آموزش و (ب) آزمایش


شکل 2: پیش بینی انتشار تولید ناخالص داخلی در (الف) آموزش و (ب) آزمایش


4.نتیجه گیری
ترجمه کلمات کلیدی
توسعه اقتصادی، مصرف انرژی، پیش بینی،
کلمات کلیدی انگلیسی
Economic development; Energy usage; Prediction;
ترجمه چکیده
رابطه بین منابع انرژی و توسعه اقتصادی یکی از عناوین مورد توجه است. انگیزه برای تحقیق در این حوزه، با توجه به نگرانی‌های معاصر در رابطه با تغییرات اقلیمی، انتشار کربن و نوسان قیمت نفت خام و ایمنی منابع انرژی بیشتر شده است. هدف این تحقیق توسعه و اجرای رویکرد یادگیری ماشینی به منظور پیش بینی تولید خالص داخلی (GDP) بر اساس ترکیب منابع انرژی است. نتایج ما نشان می‌دهد که دقت پیش بینی GDP تا حدودی با اجرای رویکرد یادگیری ماشینی بهبود می‌یابد.
ترجمه مقدمه
انرژی برای کلیه فعالیت‌های اجتماعی ضروری است. عدم دسترسی به منابع انرژی قابل اعتماد، مقرون به صرفه و مدرن، بر توسعه اقتصادی و اجتماعی بسیاری از بخش‌های جهان محدودیت ایجاد کرده است. در سه دهه اخیر، تاثیر مصرف انرژی بر رشد اقتصادی، هم در سطح داخلی و هم بین المللی توجه زیادی را به خود جلب کرده است. امروزه، انگیزه برای تحقیق در این حوزه، با توجه به نگرانی‌های معاصر در خصوص تغییرات آب و هوا، انتشار کربن و نوسان قیمت نفت خام و ایمنی منابع انرژی افزایش یافته است. توانایی ایجاد الگویی برای ارتباط بین منابع انرژی و رشد اقتصادی در تدوین خط مشی ها امری درخور توجه است. تکنیک شبکه عصبی مصنوعی (ANNs) و یادگیری ماشینی در عناوین متعددی پیرامون انرژی و توسعه اقتصادی به کار رفته است. مرجع (2)، ANN را به عنوان یک ابزار آماری و معیار اقتصادی معرفی کرد. مرجع (3)، عملکرد ANN را در مدلسازی تقاضای برق ترکیه مطالعه کرد. نتایج حاصل از این تحقیق در هدایت پژوهش‌های بعدی بسیار کارساز بود. از آنجا که برق نقش مهمی در پروفایل مصرف انرژی یک کشور و توسعه خط مشی‌ها ایفا می‌کند، مرجع (4)، مدل ANN را برای مصرف برق به کار برد. نتایج نشان داد که این مدل به خوبی عمل می‌کند. از آنجا که پایداری مستلزم درک رابطه سیستم های طبیعی و انسانی است، مرجع (5)، امکان کاربرد ANN در ایجاد مدل پیش بینی سیستم‌های پیچیده توسعه پایدار بررسی کرد. با در نظر گرفتن رابطه پویای بین مصرف انرژی قابل تجدید و رشد اقتصادی، مرجع(6) رابطه تصادفی غیر خطی بین مصرف انرژی قابل تجدید، رشد اقتصادی اندازه گیری شده با تولید خالص داخلی، مصرف انرژی کل و بیکاری را بررسی کرد.
پیش نمایش مقاله
پیش نمایش مقاله رویکرد یادگیری ماشینی در پیش بینی رابطه بین منابع انرژی و توسعه اقتصادی

چکیده انگلیسی

The linkage between energy resources and economic development is a topic of great interest. Research in this area is also motivated by contemporary concerns about global climate change, carbon emissions fluctuating crude oil prices, and the security of energy supply. The purpose of this research is to develop and apply the machine learning approach to predict gross domestic product (GDP) based on the mix of energy resources. Our results indicate that GDP predictive accuracy can be improved slightly by applying a machine learning approach.

دانلود فوری مقاله + ترجمه آماده
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.