...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Computers & Industrial Engineering >A Combined Neural Network And Dea For Measuring Efficiency Of Large Scale Datasets
【24h】

A Combined Neural Network And Dea For Measuring Efficiency Of Large Scale Datasets

机译：结合神经网络和Dea的方法来测量大型数据集的效率

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Data Envelopment Analysis (DEA) is one of the most widely used methods in the measurement of the efficiency and productivity of Decision Making Units (DMUs). DEA for a large dataset with many inputs/outputs would require huge computer resources in terms of memory and CPU time. This paper proposes a neural network back-propagation Data Envelopment Analysis to address this problem for the very large scale datasets now emerging in practice. Neural network requirements for computer memory and CPU time are far less than that needed by conventional DEA methods and can therefore be a useful tool in measuring the efficiency of large datasets. Finally, the back-propagation DEA algorithm is applied to five large datasets and compared with the results obtained by conventional DEA.
机译：数据包络分析（DEA）是衡量决策单位（DMU）效率和生产率的最广泛使用的方法之一。具有大量输入/输出的大型数据集的DEA就内存和CPU时间而言将需要大量的计算机资源。本文提出了一种神经网络反向传播数据包络分析，以解决目前正在实践中出现的超大规模数据集的这一问题。神经网络对计算机内存和CPU时间的要求远远少于常规DEA方法所需要的，因此可以成为衡量大型数据集效率的有用工具。最后，将反向传播DEA算法应用于五个大型数据集，并将其与常规DEA获得的结果进行比较。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号