Literatura científica selecionada sobre o tema "LSTM Neural networks"
Crie uma referência precisa em APA, MLA, Chicago, Harvard, e outros estilos
Índice
Consulte a lista de atuais artigos, livros, teses, anais de congressos e outras fontes científicas relevantes para o tema "LSTM Neural networks".
Ao lado de cada fonte na lista de referências, há um botão "Adicionar à bibliografia". Clique e geraremos automaticamente a citação bibliográfica do trabalho escolhido no estilo de citação de que você precisa: APA, MLA, Harvard, Chicago, Vancouver, etc.
Você também pode baixar o texto completo da publicação científica em formato .pdf e ler o resumo do trabalho online se estiver presente nos metadados.
Artigos de revistas sobre o assunto "LSTM Neural networks"
Bakir, Houda, Ghassen Chniti e Hédi Zaher. "E-Commerce Price Forecasting Using LSTM Neural Networks". International Journal of Machine Learning and Computing 8, n.º 2 (abril de 2018): 169–74. http://dx.doi.org/10.18178/ijmlc.2018.8.2.682.
Texto completo da fonteYu, Yong, Xiaosheng Si, Changhua Hu e Jianxun Zhang. "A Review of Recurrent Neural Networks: LSTM Cells and Network Architectures". Neural Computation 31, n.º 7 (julho de 2019): 1235–70. http://dx.doi.org/10.1162/neco_a_01199.
Texto completo da fonteKalinin, Maxim, Vasiliy Krundyshev e 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.
Texto completo da fonteZhang, Chuanwei, Xusheng Xu, Yikun Li, Jing Huang, Chenxi Li e Weixin Sun. "Research on SOC Estimation Method for Lithium-Ion Batteries Based on Neural Network". World Electric Vehicle Journal 14, n.º 10 (2 de outubro de 2023): 275. http://dx.doi.org/10.3390/wevj14100275.
Texto completo da fonteSridhar, C., e Aniruddha Kanhe. "Performance Comparison of Various Neural Networks for Speech Recognition". Journal of Physics: Conference Series 2466, n.º 1 (1 de março de 2023): 012008. http://dx.doi.org/10.1088/1742-6596/2466/1/012008.
Texto completo da fonteWan, Yingliang, Hong Tao e Li Ma. "Forecasting Zhejiang Province's GDP Using a CNN-LSTM Model". Frontiers in Business, Economics and Management 13, n.º 3 (5 de março de 2024): 233–35. http://dx.doi.org/10.54097/bmq2dy63.
Texto completo da fonteLiu, David, e An Wei. "Regulated LSTM Artificial Neural Networks for Option Risks". FinTech 1, n.º 2 (2 de junho de 2022): 180–90. http://dx.doi.org/10.3390/fintech1020014.
Texto completo da fontePal, Subarno, Soumadip Ghosh e Amitava Nag. "Sentiment Analysis in the Light of LSTM Recurrent Neural Networks". International Journal of Synthetic Emotions 9, n.º 1 (janeiro de 2018): 33–39. http://dx.doi.org/10.4018/ijse.2018010103.
Texto completo da fonteKabildjanov, A. S., Ch Z. Okhunboboeva e 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, n.º 1 (1 de junho de 2023): 012015. http://dx.doi.org/10.1088/1755-1315/1206/1/012015.
Texto completo da fonteYu, Dian, e Shouqian Sun. "A Systematic Exploration of Deep Neural Networks for EDA-Based Emotion Recognition". Information 11, n.º 4 (15 de abril de 2020): 212. http://dx.doi.org/10.3390/info11040212.
Texto completo da fonteTeses / dissertações sobre o assunto "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.
Texto completo da fonteLSTM 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.
Texto completo da fontePokhrel, 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.
Texto completo da fonteÄrlemalm, 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.
Texto completo da fonteVanlig 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.
Texto completo da fonteAtt 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.
Texto completo da fonteHolm, Noah, e 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.
Texto completo da fonteGraffi, 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.
Encontre o texto completo da fonteXiang, 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/.
Texto completo da fonteLin, Alvin. "Video Based Automatic Speech Recognition Using Neural Networks". DigitalCommons@CalPoly, 2020. https://digitalcommons.calpoly.edu/theses/2343.
Texto completo da fonteLivros sobre o assunto "LSTM Neural networks"
Sangeetha, V., e 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.
Texto completo da fonteCapítulos de livros sobre o assunto "LSTM Neural networks"
Wüthrich, Mario V., e Michael Merz. "Recurrent Neural Networks". In Springer Actuarial, 381–406. Cham: Springer International Publishing, 2022. http://dx.doi.org/10.1007/978-3-031-12409-9_8.
Texto completo da fonteSalem, Fathi M. "Gated RNN: The Long Short-Term Memory (LSTM) RNN". In Recurrent Neural Networks, 71–82. Cham: Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-89929-5_4.
Texto completo da fonteZhang, Nan, Wei-Long Zheng, Wei Liu e Bao-Liang Lu. "Continuous Vigilance Estimation Using LSTM Neural Networks". In Neural Information Processing, 530–37. Cham: Springer International Publishing, 2016. http://dx.doi.org/10.1007/978-3-319-46672-9_59.
Texto completo da fonteAlexandre, Luís A., e J. P. Marques de Sá. "Error Entropy Minimization for LSTM Training". In Artificial Neural Networks – ICANN 2006, 244–53. Berlin, Heidelberg: Springer Berlin Heidelberg, 2006. http://dx.doi.org/10.1007/11840817_26.
Texto completo da fonteYu, Wen, Xiaoou Li e Jesus Gonzalez. "Fast Training of Deep LSTM Networks". In 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.
Texto completo da fonteKlapper-Rybicka, Magdalena, Nicol N. Schraudolph e Jürgen Schmidhuber. "Unsupervised Learning in LSTM Recurrent Neural Networks". In Artificial Neural Networks — ICANN 2001, 684–91. Berlin, Heidelberg: Springer Berlin Heidelberg, 2001. http://dx.doi.org/10.1007/3-540-44668-0_95.
Texto completo da fonteHaralabopoulos, Giannis, e Ioannis Anagnostopoulos. "A Custom State LSTM Cell for Text Classification Tasks". In Engineering Applications of Neural Networks, 489–504. Cham: Springer International Publishing, 2022. http://dx.doi.org/10.1007/978-3-031-08223-8_40.
Texto completo da fonteLi, SiLiang, Bin Xu e Tong Lee Chung. "Definition Extraction with LSTM Recurrent Neural Networks". In Lecture Notes in Computer Science, 177–89. Cham: Springer International Publishing, 2016. http://dx.doi.org/10.1007/978-3-319-47674-2_16.
Texto completo da fonteGers, Felix A., Douglas Eck e Jürgen Schmidhuber. "Applying LSTM to Time Series Predictable through Time-Window Approaches". In Artificial Neural Networks — ICANN 2001, 669–76. Berlin, Heidelberg: Springer Berlin Heidelberg, 2001. http://dx.doi.org/10.1007/3-540-44668-0_93.
Texto completo da fonteGers, Felix A., Juan Antonio Pérez-Ortiz, Douglas Eck e Jürgen Schmidhuber. "Learning Context Sensitive Languages with LSTM Trained with Kalman Filters". In Artificial Neural Networks — ICANN 2002, 655–60. Berlin, Heidelberg: Springer Berlin Heidelberg, 2002. http://dx.doi.org/10.1007/3-540-46084-5_107.
Texto completo da fonteTrabalhos de conferências sobre o assunto "LSTM Neural networks"
Sun, Qingnan, Marko V. Jankovic, Lia Bally e Stavroula G. Mougiakakou. "Predicting Blood Glucose with an LSTM and Bi-LSTM Based Deep Neural Network". In 2018 14th Symposium on Neural Networks and Applications (NEUREL). IEEE, 2018. http://dx.doi.org/10.1109/neurel.2018.8586990.
Texto completo da fonteArshi, Sahar, Li Zhang e Rebecca Strachan. "Prediction Using LSTM Networks". In 2019 International Joint Conference on Neural Networks (IJCNN). IEEE, 2019. http://dx.doi.org/10.1109/ijcnn.2019.8852206.
Texto completo da fontePérez, José, Rafael Baez, Jose Terrazas, Arturo Rodríguez, Daniel Villanueva, Olac Fuentes, Vinod Kumar, Brandon Paez e Abdiel Cruz. "Physics-Informed Long-Short Term Memory Neural Network Performance on Holloman High-Speed Test Track Sled Study". In ASME 2022 Fluids Engineering Division Summer Meeting. American Society of Mechanical Engineers, 2022. http://dx.doi.org/10.1115/fedsm2022-86953.
Texto completo da fonteLin, Tao, Tian Guo e Karl Aberer. "Hybrid Neural Networks for Learning the Trend in Time Series". In 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.
Texto completo da fontePulver, Andrew, e Siwei Lyu. "LSTM with working memory". In 2017 International Joint Conference on Neural Networks (IJCNN). IEEE, 2017. http://dx.doi.org/10.1109/ijcnn.2017.7965940.
Texto completo da fonteMartinez-Garcia, Fernando, e Douglas Down. "E-LSTM: An extension to the LSTM architecture for incorporating long lag dependencies". In 2022 International Joint Conference on Neural Networks (IJCNN). IEEE, 2022. http://dx.doi.org/10.1109/ijcnn55064.2022.9892810.
Texto completo da fonteSundermeyer, Martin, Ralf Schlüter e Hermann Ney. "LSTM neural networks for language modeling". In Interspeech 2012. ISCA: ISCA, 2012. http://dx.doi.org/10.21437/interspeech.2012-65.
Texto completo da fonteSrivastava, Anitej, e Anto S. "Weather Prediction Using LSTM Neural Networks". In 2022 IEEE 7th International conference for Convergence in Technology (I2CT). IEEE, 2022. http://dx.doi.org/10.1109/i2ct54291.2022.9824268.
Texto completo da fonteYang, Dongdong, Senzhang Wang e Zhoujun Li. "Ensemble Neural Relation Extraction with Adaptive Boosting". In 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.
Texto completo da fonteQin, Yu, Jiajun Du, Xinyao Wang e Hongtao Lu. "Recurrent Layer Aggregation using LSTM". In 2019 International Joint Conference on Neural Networks (IJCNN). IEEE, 2019. http://dx.doi.org/10.1109/ijcnn.2019.8852077.
Texto completo da fonteRelatórios de organizações sobre o assunto "LSTM Neural networks"
Cárdenas-Cárdenas, Julián Alonso, Deicy J. Cristiano-Botia e Nicolás Martínez-Cortés. Colombian inflation forecast using Long Short-Term Memory approach. Banco de la República, junho de 2023. http://dx.doi.org/10.32468/be.1241.
Texto completo da fonteAnkel, Victoria, Stella Pantopoulou, Matthew Weathered, Darius Lisowski, Anthonie Cilliers e 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), dezembro de 2020. http://dx.doi.org/10.2172/1760289.
Texto completo da fonte