Dynamic fine-tuning stacked auto-encoder neural network for weather forecast

با ظهور عصر اطلاعات بزرگ، داده های پویا و زمان واقعی در هر دو حجم و تنوع افزایش یافته است. پیش بینی دقیق در مورد داده ها دشوار است زیرا آنها تغییرات سریع و پویا را تحت تاثیر قرار می دهند. محاسبات ابری مستقل به منظور کاهش زمان لازم برای یادگیری ماشین سنتی است. خودکار رمزگذار انباشته یک روش شبکه عصبی در یادگیری ماشین برای استخراج ویژگی است. این تلاش برای مدل سازی انتزاع های سطح بالا و کاهش ابعاد داده ها با استفاده از چند لایه پردازش می باشد. با این حال، برخی از مسائل رایج ممکن است در طول اجرای یادگیری عمیق و یا مدل شبکه عصبی، مانند ابعاد بیش از حد پیچیده داده های ورودی و مشکل در پردازش داده های پویا رخ می دهد. بنابراین، ترکیب مفهوم سیستم پویای داده با داده با یک شبکه عصبی خودکار رمزگذار، به دست آوردن ارتباط داده پویا یا ارتباط بین نتایج پیش بینی و داده های واقعی در یک محیط پویا کمک خواهد کرد. این مطالعه، مفهوم یک سیستم داده مبتنی بر دینامیکی را برای به دست آوردن همبستگی بین اهداف پیش بینی شده و تعدادی از نتایج مختلف ترکیب می کند. تجزیه و تحلیل انجمن، تجزیه و تحلیل توالی و شبکه عصبی خودکار رمزگذار انباشته شده برای طراحی یک سیستم اطلاعاتی مبتنی بر پویا مبتنی بر یادگیری عمیق استفاده می شود.