Littérature scientifique sur le sujet « LSTM Neural networks »
Créez une référence correcte selon les styles APA, MLA, Chicago, Harvard et plusieurs autres
Sommaire
Consultez les listes thématiques d’articles de revues, de livres, de thèses, de rapports de conférences et d’autres sources académiques sur le sujet « LSTM Neural networks ».
À côté de chaque source dans la liste de références il y a un bouton « Ajouter à la bibliographie ». Cliquez sur ce bouton, et nous générerons automatiquement la référence bibliographique pour la source choisie selon votre style de citation préféré : APA, MLA, Harvard, Vancouver, Chicago, etc.
Vous pouvez aussi télécharger le texte intégral de la publication scolaire au format pdf et consulter son résumé en ligne lorsque ces informations sont inclues dans les métadonnées.
Articles de revues sur le sujet "LSTM Neural networks"
Bakir, Houda, Ghassen Chniti et Hédi Zaher. « E-Commerce Price Forecasting Using LSTM Neural Networks ». International Journal of Machine Learning and Computing 8, no 2 (avril 2018) : 169–74. http://dx.doi.org/10.18178/ijmlc.2018.8.2.682.
Texte intégralYu, Yong, Xiaosheng Si, Changhua Hu et Jianxun Zhang. « A Review of Recurrent Neural Networks : LSTM Cells and Network Architectures ». Neural Computation 31, no 7 (juillet 2019) : 1235–70. http://dx.doi.org/10.1162/neco_a_01199.
Texte intégralKalinin, Maxim, Vasiliy Krundyshev et Evgeny Zubkov. « Estimation of applicability of modern neural network methods for preventing cyberthreats to self-organizing network infrastructures of digital economy platforms »,. SHS Web of Conferences 44 (2018) : 00044. http://dx.doi.org/10.1051/shsconf/20184400044.
Texte intégralZhang, Chuanwei, Xusheng Xu, Yikun Li, Jing Huang, Chenxi Li et Weixin Sun. « Research on SOC Estimation Method for Lithium-Ion Batteries Based on Neural Network ». World Electric Vehicle Journal 14, no 10 (2 octobre 2023) : 275. http://dx.doi.org/10.3390/wevj14100275.
Texte intégralSridhar, C., et Aniruddha Kanhe. « Performance Comparison of Various Neural Networks for Speech Recognition ». Journal of Physics : Conference Series 2466, no 1 (1 mars 2023) : 012008. http://dx.doi.org/10.1088/1742-6596/2466/1/012008.
Texte intégralWan, Yingliang, Hong Tao et Li Ma. « Forecasting Zhejiang Province's GDP Using a CNN-LSTM Model ». Frontiers in Business, Economics and Management 13, no 3 (5 mars 2024) : 233–35. http://dx.doi.org/10.54097/bmq2dy63.
Texte intégralLiu, David, et An Wei. « Regulated LSTM Artificial Neural Networks for Option Risks ». FinTech 1, no 2 (2 juin 2022) : 180–90. http://dx.doi.org/10.3390/fintech1020014.
Texte intégralPal, Subarno, Soumadip Ghosh et Amitava Nag. « Sentiment Analysis in the Light of LSTM Recurrent Neural Networks ». International Journal of Synthetic Emotions 9, no 1 (janvier 2018) : 33–39. http://dx.doi.org/10.4018/ijse.2018010103.
Texte intégralKabildjanov, A. S., Ch Z. Okhunboboeva et S. Yo Ismailov. « Intelligent forecasting of growth and development of fruit trees by deep learning recurrent neural networks ». IOP Conference Series : Earth and Environmental Science 1206, no 1 (1 juin 2023) : 012015. http://dx.doi.org/10.1088/1755-1315/1206/1/012015.
Texte intégralYu, Dian, et Shouqian Sun. « A Systematic Exploration of Deep Neural Networks for EDA-Based Emotion Recognition ». Information 11, no 4 (15 avril 2020) : 212. http://dx.doi.org/10.3390/info11040212.
Texte intégralThèses sur le sujet "LSTM Neural networks"
Paschou, Michail. « ASIC implementation of LSTM neural network algorithm ». Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-254290.
Texte intégralLSTM neurala nätverk har använts för taligenkänning, bildigenkänning och andra artificiella intelligensapplikationer i många år. De flesta applikationer utför LSTM-algoritmen och de nödvändiga beräkningarna i digitala moln. Offline lösningar inkluderar användningen av FPGA och GPU men de mest lovande lösningarna inkluderar ASIC-acceleratorer utformade för endast dettaändamål. Denna rapport presenterar en ASIC-design som kan utföra multipla iterationer av LSTM-algoritmen på en enkelriktad neural nätverksarkitetur utan peepholes. Den föreslagna designed ger aritmetrisk nivå-parallellismalternativ som block som är instansierat baserat på parametrar. Designens inre konstruktion implementerar pipelinerade, parallella, eller seriella lösningar beroende på vilket anternativ som är optimalt till alla fall. Konsekvenserna för dessa beslut diskuteras i detalj i rapporten. Designprocessen beskrivs i detalj och utvärderingen av designen presenteras också för att mäta noggrannheten och felmarginal i designutgången. Resultatet av arbetet från denna rapport är en fullständig syntetiserbar ASIC design som har implementerat ett LSTM-lager, ett fullständigt anslutet lager och ett Softmax-lager som kan utföra klassificering av data baserat på tränade viktmatriser och biasvektorer. Designen använder huvudsakligen 16bitars fast flytpunktsformat med 5 heltal och 11 fraktions bitar men ökade precisionsrepresentationer används i vissa block för att minska felmarginal. Till detta har även en verifieringsmiljö utformats som kan utföra simuleringar, utvärdera designresultatet genom att jämföra det med resultatet som produceras från att utföra samma operationer med 64-bitars flytpunktsprecision på en SystemVerilog testbänk och mäta uppstådda felmarginal. Resultaten avseende noggrannheten och designutgångens felmarginal presenteras i denna rapport.Designen gick genom Logisk och Fysisk syntes och framgångsrikt resulterade i en funktionell nätlista för varje testad konfiguration. Timing, area och effektmätningar på den genererade nätlistorna av olika konfigurationer av designen visar konsistens och rapporteras i denna rapport.
Cavallie, Mester Jon William. « Using LSTM Neural Networks To Predict Daily Stock Returns ». Thesis, Linnéuniversitetet, Institutionen för datavetenskap och medieteknik (DM), 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:lnu:diva-106124.
Texte intégralPokhrel, Abhishek <1996>. « Stock Returns Prediction using Recurrent Neural Networks with LSTM ». Master's Degree Thesis, Università Ca' Foscari Venezia, 2022. http://hdl.handle.net/10579/22038.
Texte intégralÄrlemalm, Filip. « Harbour Porpoise Click Train Classification with LSTM Recurrent Neural Networks ». Thesis, KTH, Teknisk informationsvetenskap, 2017. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-215088.
Texte intégralVanlig tumlare är en tandval vars närvaro i Skandinavien är hotad. Ett steg mot att kunnabevara arten i utsatta områden är att studera och observera tumlarbeståndets tillväxt ellertillbakagång i dessa områden. Detta görs idag med hjälp av ljudinspelare för undervattensbruk,så kallade hydrofoner, samt manuella analysverktyg. Den här rapporten beskriver enmetod som moderniserar processen för detektering av vanlig tumlare genom maskininlärning.Detekteringen är baserad på insamlad data från hydrofonen AQUAclick 100. Bearbetning ochklassificering av data har automatiserats genom att använda ett staplat återkopplande neuraltnätverk med långt korttidsminne utarbetat specifikt för detta ändamål.
Li, Edwin. « LSTM Neural Network Models for Market Movement Prediction ». Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-231627.
Texte intégralAtt förstå och kunna förutsäga hur index varierar med tiden och andra parametrar är ett viktigt problem inom kapitalmarknader. Tidsserieanalys med autoregressiva metoder har funnits sedan årtionden tillbaka, och har oftast gett goda resultat. Dessa metoder saknar dock möjligheten att förklara trender och cykliska variationer i tidsserien, något som kan karaktäriseras av tidsvarierande samband, men även samband mellan parametrar som indexet beror utav. Syftet med denna studie är att undersöka om recurrent neural networks (RNN) med long short-term memory-celler (LSTM) kan användas för att fånga dessa samband, för att slutligen användas som en modell för att komplettera indexhandel. Experimenten är gjorda mot en modifierad S&P-500 datamängd, och två distinkta modeller har tagits fram. Den ena är en multivariat regressionsmodell för att förutspå exakta värden, och den andra modellen är en multivariat klassifierare som förutspår riktningen på nästa dags indexrörelse. Experimenten visar för den konfiguration som presenteras i rapporten att LSTM RNN inte passar för att förutspå exakta värden för indexet, men ger tillfredsställande resultat när modellen ska förutsäga indexets framtida riktning.
Zambezi, Samantha. « Predicting social unrest events in South Africa using LSTM neural networks ». Master's thesis, Faculty of Science, 2021. http://hdl.handle.net/11427/33986.
Texte intégralHolm, Noah, et Emil Plynning. « Spatio-temporal prediction of residential burglaries using convolutional LSTM neural networks ». Thesis, KTH, Geoinformatik, 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-229952.
Texte intégralGraffi, Giacomo. « A novel approach for Credit Scoring using Deep Neural Networks with bank transaction data ». Master's thesis, Alma Mater Studiorum - Università di Bologna, 2021.
Trouver le texte intégralXiang, Wenliang. « Anomaly detection by prediction for health monitoring of satellites using LSTM neural networks ». Master's thesis, Alma Mater Studiorum - Università di Bologna, 2021. http://amslaurea.unibo.it/24695/.
Texte intégralLin, Alvin. « Video Based Automatic Speech Recognition Using Neural Networks ». DigitalCommons@CalPoly, 2020. https://digitalcommons.calpoly.edu/theses/2343.
Texte intégralLivres sur le sujet "LSTM Neural networks"
Sangeetha, V., et S. Kevin Andrews. Introduction to Artificial Intelligence and Neural Networks. Magestic Technology Solutions (P) Ltd, Chennai, Tamil Nadu, India, 2023. http://dx.doi.org/10.47716/mts/978-93-92090-24-0.
Texte intégralChapitres de livres sur le sujet "LSTM Neural networks"
Wüthrich, Mario V., et Michael Merz. « Recurrent Neural Networks ». Dans Springer Actuarial, 381–406. Cham : Springer International Publishing, 2022. http://dx.doi.org/10.1007/978-3-031-12409-9_8.
Texte intégralSalem, Fathi M. « Gated RNN : The Long Short-Term Memory (LSTM) RNN ». Dans Recurrent Neural Networks, 71–82. Cham : Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-89929-5_4.
Texte intégralZhang, Nan, Wei-Long Zheng, Wei Liu et Bao-Liang Lu. « Continuous Vigilance Estimation Using LSTM Neural Networks ». Dans Neural Information Processing, 530–37. Cham : Springer International Publishing, 2016. http://dx.doi.org/10.1007/978-3-319-46672-9_59.
Texte intégralAlexandre, Luís A., et J. P. Marques de Sá. « Error Entropy Minimization for LSTM Training ». Dans Artificial Neural Networks – ICANN 2006, 244–53. Berlin, Heidelberg : Springer Berlin Heidelberg, 2006. http://dx.doi.org/10.1007/11840817_26.
Texte intégralYu, Wen, Xiaoou Li et Jesus Gonzalez. « Fast Training of Deep LSTM Networks ». Dans Advances in Neural Networks – ISNN 2019, 3–10. Cham : Springer International Publishing, 2019. http://dx.doi.org/10.1007/978-3-030-22796-8_1.
Texte intégralKlapper-Rybicka, Magdalena, Nicol N. Schraudolph et Jürgen Schmidhuber. « Unsupervised Learning in LSTM Recurrent Neural Networks ». Dans Artificial Neural Networks — ICANN 2001, 684–91. Berlin, Heidelberg : Springer Berlin Heidelberg, 2001. http://dx.doi.org/10.1007/3-540-44668-0_95.
Texte intégralHaralabopoulos, Giannis, et Ioannis Anagnostopoulos. « A Custom State LSTM Cell for Text Classification Tasks ». Dans Engineering Applications of Neural Networks, 489–504. Cham : Springer International Publishing, 2022. http://dx.doi.org/10.1007/978-3-031-08223-8_40.
Texte intégralLi, SiLiang, Bin Xu et Tong Lee Chung. « Definition Extraction with LSTM Recurrent Neural Networks ». Dans Lecture Notes in Computer Science, 177–89. Cham : Springer International Publishing, 2016. http://dx.doi.org/10.1007/978-3-319-47674-2_16.
Texte intégralGers, Felix A., Douglas Eck et Jürgen Schmidhuber. « Applying LSTM to Time Series Predictable through Time-Window Approaches ». Dans Artificial Neural Networks — ICANN 2001, 669–76. Berlin, Heidelberg : Springer Berlin Heidelberg, 2001. http://dx.doi.org/10.1007/3-540-44668-0_93.
Texte intégralGers, Felix A., Juan Antonio Pérez-Ortiz, Douglas Eck et Jürgen Schmidhuber. « Learning Context Sensitive Languages with LSTM Trained with Kalman Filters ». Dans Artificial Neural Networks — ICANN 2002, 655–60. Berlin, Heidelberg : Springer Berlin Heidelberg, 2002. http://dx.doi.org/10.1007/3-540-46084-5_107.
Texte intégralActes de conférences sur le sujet "LSTM Neural networks"
Sun, Qingnan, Marko V. Jankovic, Lia Bally et Stavroula G. Mougiakakou. « Predicting Blood Glucose with an LSTM and Bi-LSTM Based Deep Neural Network ». Dans 2018 14th Symposium on Neural Networks and Applications (NEUREL). IEEE, 2018. http://dx.doi.org/10.1109/neurel.2018.8586990.
Texte intégralArshi, Sahar, Li Zhang et Rebecca Strachan. « Prediction Using LSTM Networks ». Dans 2019 International Joint Conference on Neural Networks (IJCNN). IEEE, 2019. http://dx.doi.org/10.1109/ijcnn.2019.8852206.
Texte intégralPérez, José, Rafael Baez, Jose Terrazas, Arturo Rodríguez, Daniel Villanueva, Olac Fuentes, Vinod Kumar, Brandon Paez et Abdiel Cruz. « Physics-Informed Long-Short Term Memory Neural Network Performance on Holloman High-Speed Test Track Sled Study ». Dans ASME 2022 Fluids Engineering Division Summer Meeting. American Society of Mechanical Engineers, 2022. http://dx.doi.org/10.1115/fedsm2022-86953.
Texte intégralLin, Tao, Tian Guo et Karl Aberer. « Hybrid Neural Networks for Learning the Trend in Time Series ». Dans Twenty-Sixth International Joint Conference on Artificial Intelligence. California : International Joint Conferences on Artificial Intelligence Organization, 2017. http://dx.doi.org/10.24963/ijcai.2017/316.
Texte intégralPulver, Andrew, et Siwei Lyu. « LSTM with working memory ». Dans 2017 International Joint Conference on Neural Networks (IJCNN). IEEE, 2017. http://dx.doi.org/10.1109/ijcnn.2017.7965940.
Texte intégralMartinez-Garcia, Fernando, et Douglas Down. « E-LSTM : An extension to the LSTM architecture for incorporating long lag dependencies ». Dans 2022 International Joint Conference on Neural Networks (IJCNN). IEEE, 2022. http://dx.doi.org/10.1109/ijcnn55064.2022.9892810.
Texte intégralSundermeyer, Martin, Ralf Schlüter et Hermann Ney. « LSTM neural networks for language modeling ». Dans Interspeech 2012. ISCA : ISCA, 2012. http://dx.doi.org/10.21437/interspeech.2012-65.
Texte intégralSrivastava, Anitej, et Anto S. « Weather Prediction Using LSTM Neural Networks ». Dans 2022 IEEE 7th International conference for Convergence in Technology (I2CT). IEEE, 2022. http://dx.doi.org/10.1109/i2ct54291.2022.9824268.
Texte intégralYang, Dongdong, Senzhang Wang et Zhoujun Li. « Ensemble Neural Relation Extraction with Adaptive Boosting ». Dans Twenty-Seventh International Joint Conference on Artificial Intelligence {IJCAI-18}. California : International Joint Conferences on Artificial Intelligence Organization, 2018. http://dx.doi.org/10.24963/ijcai.2018/630.
Texte intégralQin, Yu, Jiajun Du, Xinyao Wang et Hongtao Lu. « Recurrent Layer Aggregation using LSTM ». Dans 2019 International Joint Conference on Neural Networks (IJCNN). IEEE, 2019. http://dx.doi.org/10.1109/ijcnn.2019.8852077.
Texte intégralRapports d'organisations sur le sujet "LSTM Neural networks"
Cárdenas-Cárdenas, Julián Alonso, Deicy J. Cristiano-Botia et Nicolás Martínez-Cortés. Colombian inflation forecast using Long Short-Term Memory approach. Banco de la República, juin 2023. http://dx.doi.org/10.32468/be.1241.
Texte intégralAnkel, Victoria, Stella Pantopoulou, Matthew Weathered, Darius Lisowski, Anthonie Cilliers et Alexander Heifetz. One-Step Ahead Prediction of Thermal Mixing Tee Sensors with Long Short Term Memory (LSTM) Neural Networks. Office of Scientific and Technical Information (OSTI), décembre 2020. http://dx.doi.org/10.2172/1760289.
Texte intégral