تصنيف السلاسل الزمنية بالطرائق الإحصائية والشبكات العصبية العميقة

الباحث

عمر أكرم محمد سعيد بكر

المشرف

أسامة بشير شكر الحنون

الجامعة

جامعة الموصل

الكلية / القسم

كلية علوم الحاسوب والرياضيات / الإحصاء والمعلوماتية

الشهادة

ماجستير

السنة

2024

لغة الرسالة

عربي

الكلمات المفتاحية

تصنيف السلاسل الزمنية ; الطرائق الإحصائية ; الشبكات العصبية العميقة ; التعلم العميق

في هذه الرسالة تم تصنيف السلاسل الزمنية باستخدام الانحدار اللوجستي Logistic Regression (LR) وشبكة المدرك العصبية Perceptron Neural Network (PNN) وآلة المتجه الداعم Support Vector Machine (SVM) وع] الجار الأقرب K-nearest neighbor (KNN) وطريقة النواة الكاوسية .Gaussian Kernel Method (GK) وتمت الاستفادة من متغيرات الانحدار الذاتي Auto Regressive (AR) وذلك من خلال رتبة أنموذج الانحدار AR (p) SIM في تحديد متغيرات الادخال للطرائق المستخدمة. ولغرض المقارنة وزيادة الدقة في التصنيف تم استخدام الشبكة العصبية الالتفافية Convolutional Neural Network (CNN) بوصفها (sas! تقانات التعلم العميق الخاصة في التصنيف الصوريء ولغرض انشاء متغير الادخال لطريقة cal CNN بيانات السلاسل الزمنية المستخدمة من صيغتها الرقمية وشكلت صوراً ثنائية البعد. وقد استخدمت في هذه الدراسة بيانات السلسلة الزمنية لدودة الريداء الرشيقة Caenorhabditis Elegans (CE) بزوايا حركتها الموجية التي ستمثل حالة الدراسة. إن البيانات المستخدمة في هذه الرسالة هي من السلاسل الزمنية الطويلة ويعدد مشاهدات كبير جدا فضلا عن تعدد الخصائص والصفات التي تمر بها السلسلة الزمنية قد يكون سببا في عدم تجانس البيانات الذي قد يؤدي الى تصنيفات لا ترقى الى ان تكون دقيقة. ان استخدام طريقة CNN ستؤدي الى نتائج دقيقة؛ وذلك Us ملائمة للتعامل مع بيانات الدراسة لحل مشكلات عدم التجانس من خلال التمثيل الصوري للبيانات الرقمية. ومن خلال مقارنة النتائج بين الطرائق المستخدمة تبين ان طريقة CNN يتفوق على بقية الطرائق الأخرى المستخدمة. ولذلك فمن الممكن استنتاج ان استخدام طريقة 2111© التي تعتمد التصنيف الصوري الثنائي تؤدي الى نتائج تصنيفية دقيقة مقارنة بالطرائق الأخرى التي تعتمد التصنيف الرقمي الثنائي.

In this thesis, time series were classified using Logistic Regression (LR), Perceptron Neural Network (PNN), Support Vector Machine (SVM), K-nearest neighbor (KNN), and Gaussian Kernel Method (GK). Autoregressive (AR) variables were utilized through the rank of the AR (p) model in determining the input variables for the methods used. For the purpose of comparison and increasing accuracy in classification, the Convolutional Neural Network (CNN) was used as one of the special deep learning techniques in image classification, and for the purpose of creating the input variable for the CNN method, the time series data used were converted from their digital form and formed two-dimensional images. This study used time series data for the worm Caenorhabditis elegans (CE) with its wave movement angles, which will represent the case of the study. The data used in this thesis is from long time series with a very large number of observations, in addition to the multiplicity of characteristics and characteristics that the time series experiences, which may be a reason for the heterogeneity of the data, which may lead to classifications that are not accurate. Using the CNN method will lead to accurate results; This is because it is suitable for dealing with study data to solve heterogeneity problems through the visual representation of digital data. By comparing the results between the methods used, it was found that the CNN method outperforms the rest of the other methods used. Therefore, it is possible to conclude that using the CNN method that relies on binary image classification leads to accurate classification results compared to other methods that rely on binary digital classification.

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب