اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدالتوزيع الأسي النيتروسوفيكي
The Neutrosophic Exponential Distribution
1288
3 13
0.0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
نقدم في هذا البحث التوزيع الأسي النيتروسوفيكي الذي هو عبارة عن تمديد للتوزيع الأسي الكلاسيكي وفق منطق النيتروسوفيك ( و هو منطق جديد غير كلاسيكي تم تأسيسه من قبل الفيلسوف و الرياضي الأميركي فلورنتن سمارانداكه الذي قدمه كتعميم للمنطق الضبابي و خاصة المنطق الضبابي الحدسي) الذي يمكننا من التعامل مع كافة البيانات حتى غير المحددة بشكل دقيق.
We present in this paper the neutrosophic exponential distribution, which is an extension of the classical exponential distribution according to the neutrosophic logic (a new non-classical logic which was founded by the American philosopher and mathematical Florentin Smarandache, which he introduced as a generalization of fuzzy logic especially the intuitionistic fuzzy logic), so that it can handle all the data that it is not precisely defined.
مراجعة الذكاء الصنعي:
ملخص البحث
يقدم هذا البحث توزيعًا جديدًا يسمى التوزيع الأسي النيتروسوفيكي، وهو امتداد للتوزيع الأسي الكلاسيكي باستخدام منطق النيتروسوفيك. منطق النيتروسوفيك هو منطق غير كلاسيكي أسسه الفيلسوف والرياضي فلورنتن سمارانداكه، ويهدف إلى التعامل مع البيانات غير المحددة بدقة. يوضح البحث أن وجود اللاتحديد في البيانات يؤثر على قيمة الاحتمال النهائي، وبالتالي لا يمكن تجاهل هذه القيم للحصول على نتائج دقيقة. يتناول البحث تعريف التوزيع الأسي النيتروسوفيكي وخصائصه، ويقدم أمثلة عملية لتوضيح كيفية تطبيقه. كما يسلط الضوء على أهمية هذا التوزيع في مختلف المجالات مثل الطب والفيزياء ونظم المعلومات، ويشجع الباحثين على استخدام منطق النيتروسوفيك في دراساتهم لتحقيق نتائج أكثر دقة وواقعية.
قراءة نقدية
دراسة نقدية: يعد البحث خطوة مهمة نحو توسيع نطاق استخدام التوزيعات الاحتمالية لتشمل البيانات غير المحددة بدقة، وهو ما يعكس تطورًا هامًا في مجال الإحصاء الرياضي. ومع ذلك، قد يكون من المفيد تقديم المزيد من الأمثلة العملية والتطبيقات الواقعية لتوضيح الفوائد العملية لهذا التوزيع الجديد. كما أن البحث يمكن أن يستفيد من مقارنة أعمق بين التوزيع الأسي الكلاسيكي والتوزيع الأسي النيتروسوفيكي لتوضيح الفروق والفوائد بشكل أوضح. بالإضافة إلى ذلك، يمكن تعزيز البحث بمزيد من الدراسات التجريبية لتأكيد النتائج وتوسيع نطاق تطبيقها في مجالات أخرى.
أسئلة حول البحث
-
ما هو التوزيع الأسي النيتروسوفيكي؟
التوزيع الأسي النيتروسوفيكي هو امتداد للتوزيع الأسي الكلاسيكي باستخدام منطق النيتروسوفيك، الذي يمكنه التعامل مع البيانات غير المحددة بدقة.
-
ما هي أهمية استخدام منطق النيتروسوفيك في التوزيعات الاحتمالية؟
يسمح منطق النيتروسوفيك بالتعامل مع البيانات غير المحددة بدقة، مما يؤدي إلى نتائج أكثر دقة وواقعية في التوزيعات الاحتمالية، وهو ما يعزز من دقة القرارات المستندة إلى هذه التوزيعات.
-
كيف يؤثر وجود اللاتحديد في البيانات على قيمة الاحتمال النهائي؟
وجود اللاتحديد في البيانات يؤثر على قيمة الاحتمال النهائي، حيث لا يمكن تجاهل القيم غير المحددة للحصول على نتائج دقيقة، وبالتالي يجب تضمينها في إطار الدراسة.
-
ما هي المجالات التي يمكن أن تستفيد من تطبيق التوزيع الأسي النيتروسوفيكي؟
يمكن تطبيق التوزيع الأسي النيتروسوفيكي في مجالات متعددة مثل الطب والفيزياء ونظم المعلومات وعلوم الحاسب، حيث يمكنه التعامل مع البيانات غير المحددة بدقة وتحقيق نتائج أكثر دقة وواقعية.
المراجع المستخدمة
Osman, Salah and Smarandache, Florentin. Arab Philosophy from a Neutrosophy Perspective, Al Ma'aref Establishment, Alexandria, 2007
A. A. Salama and F. Smarandache. Neutrosophic Crisp Set Theory, Education Publishing, Columbus, 2015
A. A. Salama and F. Smarandache. Neutrosophic Crisp Probability Theory. Critical Review. Volume XII, 2016
قيم البحث
اقرأ أيضاً
تحظى شبكات الـ MANET اليوم باهتمام العديد من الباحثين في مجالات الاتصالات و الشبكات، نظراً لسهولة إنشاء مثل هذا النوع من الشبكات، و انتشارها الواسع في مختلف المجالات العلمية و التطبيقية، حيث عمد الباحثون إلى اقتراح العديد من بروتوكولات التوجيه في هذه
الشبكات و ما زالت عملية تطويرها جارية إلى يومنا هذا، حيث أن الهدف من عملية التطوير هو جعل هذه الشبكات أكثر أمنا و استقرارا بسبب أنها معرضة بشكل كبير للاختراق من قبل أي عقدة أخرى موجودة في محيط الشبكة نظراً لأن عوامل الأمان ضعيفة فيها.
تم تصنيف هذه البروتوكولات حسب طريقة عملها إلى ثلاثة أصناف هي الصنف التفاعلي الذي يعتمد على إرسال رسائل تحكم عبر الشبكة من أجل تحديث المسارات التي تصل بين أي عقدتين فيها، و الصنف الاستباقي الذي يعتمد على اكتشاف المسار عند الحاجة إليه فقط دون اللجوء إلى رسائل التحكم عبر الشبكة، و الصنف الهجين الذي يجمع بين الصنفين السابقين فيقوم بتجزئة الشبكة إلى عناقيد حيث تتراسل العقد ضمن العنقود الواحد وفق الأسلوب التفاعلي بينما تتراسل العقد التي تتبع لعنقودين مختلفين وفق الصنف الاستباقي.
تم في هذا البحث محاكاة شبكة الـ MANET من خلال إخضاع عملية توليد الرزم إلى توزع احتمالي أسي مع تغيير قيمة البارامتر 14(خ±)"> افتراضي من أجل الحصول على الأداء الأفضل عند تغير عدد العقد مع الأخذ بعين الاعتبار بارامترات المردود و الحمل و التأخير الزمني.
تهدف هذه الدراسة إلى المقارنة بين نماذج Arima وطريقة التمهيد الأسي بالتنبؤ في السلاسل الزمنية، كما نسلط الضوء على مفاهيم الأساسية الخاصة بمنهجية ARIMA وطريقة التمهيد الأسي.
ركزت الدراسة على التنبؤ بالسلاسل الزمنية ذات النطاق الضيق بين نقطة وأخرى ذات
نطاق واسع بالاضافة إلى استخدام أطوال مختلفة من فترات التنبؤ وقد تم استخدام معيار RMSE للمقارنة بين الطريقتين.
تعد مسألة تعويض الاستطاعة الردية في شبكات التوزيع الكهربائية من المسائل الحيوية بيئياً و اقتصادياً، لذلك فقد جرى من خلال هذا البحث:
التطرق لأحدث التجهيزات المستخدمة في تعويض الاستطاعة الردية في شبكات التوزيع الكهربائية و استعراض مميزاتها، ثم بعد ذلك
استعرضت العلاقات الرياضية التي يستخدمها برنامج ETAP إِذ يحوي البرنامج على وظيفة (OCP) تمكننا من حساب الاستطاعة المثلى و تحديد المكان الأمثل لمعوضات الاستطاعة الردية في شبكات التوزيع الكهربائية بهدف تخفيض الضياع و تحسين أداء هذه الشبكات.
هذا فضلاً عن شرح نظري مبسط عن الخوارزميات الجينية لأن البرنامج يرتكز عليها في عمله.
كما طبق هذا البرنامج على جزء من شبكة ريف دمشق في ضوء بارامترات تشغيلها الحقيقية، درِست الآثار الاقتصادية لهذا التطبيق فضلاً عن الآثار الفنية الإيجابية، إِذ لوحظ تحسن في قيمة عامل الاستطاعة و تحسن في أوضاع التوتر على عقد الشبكة (Voltage Profile).
يحقق المحولات مسبقا أداء ملحوظا عند التدريب وبيانات الاختبار من نفس التوزيع. ومع ذلك، في سيناريوهات العالم الحقيقي، غالبا ما يواجه النموذج حالات خارج التوزيع (OOD) التي يمكن أن تسبب مشاكل شديدة التحول الدلالي في وقت الاستدلال. لذلك، في الممارسة العمل
ية، يجب على نموذج موثوق أن يحدد هذه الحالات، ثم رفضها أثناء الاستدلال أو نقلها إلى النماذج التي تتعامل مع توزيع آخر. في هذه الورقة، نقوم بتطوير طريقة اكتشاف OOD غير مزودة بها، حيث يتم استخدام البيانات الموجودة في التوزيع فقط في التدريب. نقترح أن يلزم المحولات بفقدان مقنعين، مما يحسن من إيصال التمثيلات، بحيث يمكن التمييز بين مثيلات OOD بشكل أفضل عن المعرف. يمكن بعد ذلك اكتشاف هذه الحالات OOD بدقة باستخدام مسافة Mahalanobis في الطبقة السابقة للاشمئزاز. نقوم بتجربة إعدادات شاملة وتحقيق أداء الكشف عن المسؤولية المثالية تقريبا، وتفوق خطوط الأساس بشكل كبير. نحن مزيد من التحقيق في المناولة وراء التحسن، مما يجد أن المزيد من التمثيلات المدمجة من خلال التعلم المتعاقل الذي يعتمد على الهامش يجلب التحسن. نطلق سرد علاماتنا للمجتمع للبحث في المستقبل.
في حين أن الشبكات العصبية موجودة في كل مكان من المحللين الدلالي الحديث، فقد تبين أن معظم النماذج القياسية تعاني من خسائر أداء مثيرة عند مواجهة بيانات تكوين خارج التوزيع (OOD).في الآونة الأخيرة، تم اقتراح العديد من الطرق لتحسين التعميم التركيبي في الت
حليل الدلالي.في هذا العمل، نركز بدلا من ذلك على مشكلة الكشف عن أمثلة تكوين OOD مع المحللين الدلالي العصبي، والتي لم يتم التحقيق فيها من قبل.نحن نحقق في العديد من الطرق القوية ولكنها بسيطة للكشف عن ood بناء على عدم اليقين التنبؤية.توضح النتائج التجريبية أن هذه التقنيات تؤدي بشكل جيد في الفحص القياسي ومجموعات بيانات CFQ.علاوة على ذلك، نوضح أنه يمكن تحسين اكتشاف OOD باستخدام مجموعة غير متجانسة.
الأسئلة المقترحة
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
