| شبکه عصبی پیچشی در تحلیل بقای فضایی خودهمبسته شرطی |
| کد مقاله : 1012-SPATIAL (R1) |
| نویسندگان |
|
کیومرث مترجم * گروه آمار- دانشگاه تربیت مدرس |
| چکیده مقاله |
| مدل‌سازی بقای فضایی ابزاری حیاتی برای تحلیل پدیده‌های وابسته به مکان در زمینه‌های متنوعی مانند اپیدمیولوژی، علوم محیطی و تحلیل اقتصادی است. با توجه به پیچیدگی ذاتی داده‌های بقای مکانی، که اغلب شامل ساختارهای وابستگی بسیار غیرخطی و پیچیده است، روش‌های سنتی تحلیل بقا محدودیت‌های قابل توجهی در ثبت این الگوها دارند. این مقاله به بررسی عملکرد مدل‌های یادگیری عمیق، به ویژه شبکه‌های عصبی پیچشی (CNNها)، برای پرداختن به این چالش‌ها می‌پردازد. هدف اصلی، مقایسه عملکرد پیش‌بینی‌کننده مدل‌های مبتنی بر CNN با رویکردهای خودهمبستگی فضایی سنتی، با تمرکز ویژه بر تحلیل داده‌های شبکه‌ای است. یافته‌های از طریق یک مطالعه شبیه‌سازی ، که با استفاده از شاخص تطابق و امتیاز بریر یکپارچه ارزیابی شده است، نشان می‌دهد که مدل‌های یادگیری عمیق در ثبت روابط پیچیده بقای مکانی به طور قابل توجهی از روش‌های سنتی بهتر عمل می‌کنند. |
| کلیدواژه ها |
| مدل بقای فضایی، یادگیری عمیق، شبکه‌های عصبی پیچشی، داده‌های مشبکه‌ای. |
| وضعیت: پذیرفته شده |