|
|
|
|
|
 |
جستجو در مقالات منتشر شده |
 |
|
4 نتیجه برای ترابی
حمزه ترابی، نرگس منتظری، فاطمه قاسمیان،
جلد 7، شماره 2 - ( 12-1392 )
چکیده
در این مقاله، نخست خانواده های مختلفی که با هسته های توزیع های بتا تعمیم یافته، بتا، کومار، گاما تعمیم یافته، گاما، وایبول، لگ گاما و لوژستیک ساخته شده است، مرور می شود. سپس یک خانواده کلی از توزیع ها با هسته توزیع نرمال پیشنهاد می شود. حالت خاصی از این خانواده، توزیع نرمال یکنواخت، تعریف و ویژگی های مختلف آن استخراج شده است. پارامترهای این توزیع با روش ماکسیمم درستنمایی و مینیمم فاصله برآورد شده است. در پایان، این توزیع جدید به صورت کارا برای تحلیل یک مجموعه داده بقای واقعی به کار برده می شود
محمد بیات، حمزه ترابی،
جلد 12، شماره 1 - ( 6-1397 )
چکیده
امروزه استفاده از روشهای مختلف سانسور در آزمونهای قابلیت اعتماد در صنعت و آزمونهای زمان - بقا در آزمایشات کلینیکی فراگیر شده است. یکی از این روشهای سانسور، سانسور پیشرونده نوع I و II است. استفاده از این نوع سانسورها، معایبی نیز به همراه دارد. در این مقاله تلاش میشود با ایجاد تغییراتی در سانسور پیشرونده نوع I، معایب آن کاهش یابد و همچنین یک طرح کلی ارائه گردد که سانسور پیشرونده نوع II را نیز شامل گردد. این کار از این طریق صورت میپذیرد که برخلاف قبل، تعداد برداشت و زمان برداشت متغیرهای تصادفی در نظر گرفته میشوند. ابتدا به معرفی سانسورهای پیشرونده نوع I، II و دو نوع از تعمیمهای آنها پرداخته میشود، سپس روش سانسور جدید بر پایه سانسور پیشرونده نوع I توضیح داده و تابع چگالی احتمال آن بیان میگردد. چند حالت خاص آن نیز معرفی میشود و در پایان، پیرامون پارامترهای مدل استنباط آماری انجام میشود و در ادامه الگوریتم شبیهسازی سانسور جدید ارائه و برای مقایسه این طرح سانسور تعمیمیافته با روشهای سانسور رایج، از شبیهسازی استفاده خواهد شد.
حسین نادب، حمزه ترابی،
جلد 13، شماره 1 - ( 6-1398 )
چکیده
در این مقاله، یک روش کلی برای انجام آزمون نیکویی برازش برای خانواده توزیعهای مکان-مقیاس با استفاده از دادههای سانسور شده فزاینده نوع دوم ارائه و ویژگیهای آن بررسی میشود. سپس با بهکار گیری شبیهسازی مونتکارلو، توان این آزمون با توان برخی از آزمونهای موجود، برای فرضیه گامبل بودن مقایسه میشود. سرانجام از آزمون ارائه شده برای برازش توزیع به یک مجموعه از داده واقعی استفاده میشود.
ترنم ترابی نعمان، مهدی عمادی، محمد آرشی،
جلد 20، شماره 1 - ( 6-1405 )
چکیده
در چشمانداز وسیع تحلیل دادههای مدرن، مواجهه با دادههای شمارشی که با مشکل فراوانی بیش از حد صفر درگیر هستند، یک معضل تحلیلی بنیادین به شمار میرود. مدلهای کلاسیک چون رگرسیون پواسون، در برابر این پدیده از خود ضعف نشان میدهد، زیرا فاقد توانایی برای تفکیک صفرهای ساختاری (ناشی از فرایندهای قطعی) از صفرهای تصادفی (ناشی از فرایندهای تصادفی) هستند. اگرچه مدلهای رگرسیون پواسون آماسیده در صفر گامی مهم در جهت حل این چالش برداشتهاند، اما کارایی آنها در عصر دادههای بزرگ و با ابعاد بسیار بالا، با محدودیتهای جدی روبهرو است. این پژوهش، با نگاهی فراتر از چارچوبهای سنتی، چارچوبی نوین مبتنی بر شبکههای عصبی عمیق را برای تقویت و متحول ساختن مدلهای رگرسیون پواسون آماسیده در صفر معرفی میکند. این رویکرد ترکیبی، با بهرهگیری از قدرت بینظیر یادگیری عمیق در استخراج ویژگیهای غیرخطی و پیچیده، قادر است فرایند دوگانه تولید دادهها (فرایند تولید صفر و فرایند شمارش) را با دقتی بیسابقه مدلسازی کند. نتایج حاصل از شبیهسازیهای گسترده و کاربرد بر روی مجموعه دادههای واقعی، برتری چشمگیر این معماری نوین را در سناریوهای با ابعاد بالا و روابط متغیرهای پیچیده، به وضوح آشکار میسازد.
|
|
|
|
|
|
|
|
|
|
|
