singular value decomposition
در نشریات گروه مدیریت-
Most real-time speech signals are frequently disrupted by noise such as traffic, babbling, and background noises, among other things. The goal of speech denoising is to extract the clean speech signal from as many distorted components as possible. For speech denoising, many researchers worked on sparse representation and dictionary learning algorithms. These algorithms, however, have many disadvantages, including being overcomplete, computationally expensive, and susceptible to orthogonality restrictions, as well as a lack of arithmetic precision due to the usage of double-precision. We propose a greedy technique for dictionary learning with sparse representation to overcome these concerns. In this technique, the input signal's singular value decomposition is used to exploit orthogonality, and here the ℓ1-ℓ2 norm is employed to obtain sparsity to learn the dictionary. It improves dictionary learning by overcoming the orthogonality constraint, the three-sigma rule-based number of iterations, and the overcomplete nature. And this technique has resulted in improved performance as well as reduced computing complexity. With a bit-precision of Q7 fixed-point arithmetic, this approach is also used in resource-constrained embedded systems, and the performance is considerably better than other algorithms. The greedy approach outperforms the other two in terms of SNR, Short-Time Objective Intelligibility, and computing time.Keywords: Sparse representation, Greedy Dictionary Learning, Singular Value Decomposition, Orthogonal Matching Pursuit, Quantization
-
هدف
هدف پژوهش حاضر پیش بینی بازده سهام و درنهایت ارایه یک استراتژی معاملاتی بر پایه تجزیه حالت پویا می باشد.
روش شناسی پژوهش:
رفتار یک سبد سهام را می توان به منزله یک سیستم پویای پیچیده و آشوبناک تلقی کرد که در آن بازده سبد سهام، نشان دهنده وضعیت سیستم است. تجزیه حالت پویا یکی از روش هایی است که در آن به کمک داده های در اختیار، تقریبی خطی از عملگر غیرخطی حاکم بر سیستم به دست می آید و با محاسبه مدهای اصلی می توان به صورت صریح خروجی سیستم را برحسب زمان محاسبه کرد. در پژوهش حاضر بردار بازده سبد سهام، حالت سیستم می باشد و به کمک الگوریتم تجزیه حالت پویا و با درنظرگرفتن یک وقفه زمانی بهینه به صورت یک سیستم خطی مدل می شود.
یافته ها:
نتایج تحقیق بر روی یک سبد سهام متشکل از 14 صنعت از بورس اوراق بهادار تهران در بازه 1390 تا 1399 و با درنظرگرفتن 5 مد اصلی هدایت کننده سیستم، نشان می دهد که وقفه بهینه برابر شش می باشد و نسبت شارپ حاصل شده از سیستم معاملاتی دوبرابر سیستم خرید و نگهداری می باشد.
اصالت / ارزش افزوده علمی:
استفاده از این سیستم معاملاتی برای معاملات کوتاه مدت توصیه می شود.
کلید واژگان: سیستم پویا، تجزیه مقدار ویژه، تجزیه حالت پویا، بردار و مقدار ویژهPurposeThe purpose of this study is to predict stock returns and ultimately present a trading strategy based on dynamic analysis.
MethodologyThe behavior of a stock portfolio can be considered as a complex and chaotic dynamic system in which the return of the portfolio is a state variable that reflects the state of the system. Dynamic mode decomposition is one of the methods in which with the help of available data, a linear approximation of the nonlinear operator governing the system is obtained and by calculating the main modes, the system output can be explicitly calculated in terms of time.
FindingsThe results of research on a portfolio consisting of 14 industries from the Tehran Stock Exchange in the period 1390 to 1399 and considering the 5 main modes of system guidance show that the optimal lag is six and the Sharp ratio obtained from the trading system of two Equivalent to the buy and hold system.
Originality / Value:
Therefore, the use of this trading system is recommended for short-term trading.
Keywords: Dynamic system, singular value decomposition, dynamic mode decomposition, eigenvector, eigenvalue -
سیستم های توصیه گر یکی از ضروری ترین ابزارهای هوشمندسازی تجارت الکترونیک است. این سیستم ها با انواع مختلف روش های فیلتر کردن داده ها و داده کاوی، قادر به انتخاب و ارایه بهترین پیشنهادات از بین انبوه موارد قابل انتخاب برای مشتریان هستند. در بین روش های متنوع سیستم های توصیه گر، فیلترهای اشتراکی پرکاربردترین روش برای ارایه پیشنهادات است. فیلترهای اشتراکی دامنه وسیعی از الگوریتم ها را شامل می شود و در این بین، روش تجزیه ماتریس به مقادیر منفرد یکی از مدل های پیشرفته در فیلتر اشتراکی است. در این مقاله به ارایه مدلی بهینه شده از سیستم توصیه گر فیلم مبتنی بر روش تجزیه مقادیر منفرد پرداخته شده که ضمن کاهش ابعاد ماتریس و کاهش حجم محاسبات و حافظه، با روش تکرار جاگذاری، دارای دقت مناسب نسبت به روش تجزیه ماتریس به مقادیر منفرد ساده و سایر روش های دیگر است. برای این پژوهش از مجموعه دیتاست های 100 هزار امتیازی مووی لنز و از برنامه نویسی پایتون استفاده شده است. ارزیابی میزان خطا با روش های جذر میانگین مربعات خطا و میانگین قدر مطلق خطا، نشان از بهبود مناسب نسبت به روش های مشابه در مراجع دیگر دارد.
کلید واژگان: سیستم های توصیه گر، فیلتر اشتراکی، تجزیه مقادیر منفرد، پیش بینی امتیازاتRecommendation systems are one of the most essential tools for e-commerce intelligence. These systems with different types of data filtering methods are able to offer the best recommendations from a multitude of selectable items. Collaborative Filtering is the most widely used method of filtering data to make recommendations. One of the advanced models for predicting ratings in the Collaborative Filtering is the Singular Value Decomposing (SVD). In this paper, an optimized model of the film recommending system based on the SVD method is developed, which while reducing the dimensions of the matrices and the volume of computations and memory, and with iteration replacement method, has appropriate accuracy compared with other methods. For this research, a set of 100k Movie Lens datasets and Python programming have been used. Evaluation of error rate with root mean square error (RMSE) and mean absolute error (MAE) value shows a good improvement over similar methods in other references.vv
Keywords: Recommendation System, Collaborative Filtering, Singular Value Decomposition, Ratings Prediction
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.