基于长短期记忆和 TOPSIS 的深度递归学习
在当前的数据密集时代,大数据已成为人工智能(AI)的重要资产,为开发基于数据驱动模型和揭示各个未知领域提供基础。本研究通过应用 Robust Principal Component Analysis(RPCA)进行噪声降低和异常值剔除,以及应用 Optimal Sensor Placement(OSP)进行数据压缩和存储,解决数据不确定性、存储限制和数据驱动模型预测的挑战。通过此方法,从 OSP 获得的低维子集基于 Long Short-Term Memory(LSTM)网络进行模型和数据预测,加快训练阶段,适用于实时海量数据集的鲁棒数据驱动建模,特别适合用于基于历史数据预测物理系统的未来状态。所有提出的算法不仅是理论上的,还使用真实热成像数据对船舶发动机进行模拟和验证。
Mar, 2024
该研究介绍了将 Kubernetes 管理平台与备份和恢复工具集成的系统结构,实现在云环境中自动检测灾难并从另一个 kubernetes 集群中自动恢复应用程序,从而显著提高了云环境中数据管理和恢复效率。此外,该研究通过 Long Short-Term Memory(LSTM)预测集群的 CPU 利用率,证明了自动恢复系统在云环境中的高效性和必要性。
Feb, 2024
本文介绍 LSTM 模型的结构和前向传播机制,提出了 Random Connectivity LSTM(RCLSTM)模型,并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性,同时具有计算复杂度更低的优点
Oct, 2018
本文研究了如何在短期内准确预测能源消耗,对比了使用 LSTM、CNN、混合 CNN-LSTM 和 TCN 等多种深度学习算法的表现,通过实验结果表明 TCN 是最可靠的预测短期能源消耗的方法。
Jul, 2022
本文研究使用 Recurrent Neural Networks 中的 Long-Short Term Memory(LSTM)模型来进行基于卫星图像时间序列的土地覆盖分类,并与传统方法进行了比较,结果表明 LSTM 模型在处理高度混合的图像分类问题方面表现更具竞争力。
Apr, 2017
我们将循环神经网络扩展到包含几个灵活的时间尺度,这在机械上提高了它们对具有长期记忆或高度不同时间尺度进程的处理能力。通过比较普通和扩展的长短期记忆网络(LSTMs)在预测已知具有长期记忆的资产价格波动性方面的能力,我们发现扩展的 LSTMs 所需的训练时期减少了一半,而具有相同超参数的模型的验证和测试损失的变化要小得多。我们还展示了在多时间序列数据集上进行训练和测试时,验证损失最小的模型相对于粗略波动性预测的表现普遍提高了大约 20%。
Aug, 2023
本文提出了一种新方法,通过追踪给定输出对 LSTM 的给定输入的重要性来识别一致重要的单词模式,从而将其简化为一组代表性短语,并基于这些短语构造了一个简单的基于规则的分类器,从而近似于 LSTM 在情感分析和问题回答上的输出。
Feb, 2017
本文基于长短时记忆网络 (LSTM) 和梯度提升树 (XGB) 对电子病历数据进行特征学习和预测,我们利用 LSTM 对长期依赖进行建模,将这些特征加入到 XGB 模型中,使其获得显著提高的性能。
Jan, 2018
使用基于数据驱动的长短时记忆(LSTM)循环神经网络的预测方法,展示了该方法在高维混沌系统中的定量预测效果,并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比,LSTM 在所有应用中都表现出更好的短期预测准确性,并且 MSM-LSTM 可以保证收敛到不变措施。
Feb, 2018