激光扫描隧道显微镜

人脑是一个递归神经网络(RNN):具有反馈连接的神经元网络。它可以学习许多传统的机器学习方法无法学习的行为/序列处理任务/算法/程序。这解释了对技术应用的人工RNN的快速增长的兴趣:通用计算机,它可以学习算法来将输入序列映射到输出序列,有或没有教师。它们在计算上更强大,生物学上比其他自适应方法更可信,如Hidden Markov Models(无连续内部状态)、前馈网络和支持向量机(根本没有内部状态)。我们最近的应用包括自适应机器人和控制、手写识别、语音识别、关键词识别、音乐合成、注意力视觉、蛋白质分析、股票市场预测和许多其他序列问题。


ZBMaX中的参考文献(21篇)1标准条款

显示结果1至20的21。
按年份排序(引文
  1. 费尔南德斯-冈萨雷兹,丹尼尔;G·梅兹·罗德里格斯,卡洛斯:用非二进制、自底向上策略减少成分分析(2019)
  2. 余,Yong;SI,萧胜;胡,彰化;张,Jianxun:递归神经网络的回顾:LSTM细胞和网络体系结构(2019)
  3. Aggavar,Charu C.:神经网络和深度学习。教科书(2018)
  4. Cina,Goktug T.;SigeRa,Pedro M. N.;普林西比,Jose C.:无监督音符识别的分层线性动态系统(2018)
  5. 菲舍尔、托马斯、克劳丝、克里斯托弗:用长期短期记忆网络进行金融市场预测的深度学习(2018)
  6. ER,Meng Joo;张,Yong;王,宁;Pratama,MaAdHika:基于注意力集中的卷积神经网络句子建模(2016)
  7. Schmidhuber,JurrGe:神经网络中的深度学习:综述(2015)伊波尔特
  8. Graves,亚历克斯:监督序列标记与递归神经网络。(2012)
  9. NAMIKAWA,Jun;Tani,Jun:用混沌学习合成随机时间序列(2010)
  10. Bunke,霍斯特:结合多种在线和离线系统的手写文本行识别(2009)
  11. NAMIKAWA,Jun;Tani,Jun:一种学习时间序列的模型,利用RNN专家和自适应方差的混合(2008)
  12. Kara,萨迪克,Okand,Mustafa:心房颤动的人工神经网络分类(2007)
  13. Skowronski,Mark D.;Harris,John G.:使用预测回声状态网络分类器的自动语音识别(2007)
  14. 递归神经网络中的Gré宁,ANDRIE:栈类和类队列动力学(2006)
  15. Graves,亚历克斯;SmidoHube,Jürg:双向LSTM和其他神经网络体系结构的框架音素分类(2005)伊波尔特
  16. JACOBSON,亨利克:从递归神经网络中提取规则:分类和综述(2005)
  17. Gabrijel,伊凡;Dobnikar,Andrej:利用广义递归神经网络在线辨识和重构有限自动机。(2003)伊波尔特
  18. Schmidhuber,J.G.,F.;Eck,D.:学习非规则语言:简单递归网络和LSTM(2002)的比较
  19. 霍克赖特,SEPP;Mozer,Michael C.:一种用于发现时间依赖关系的离散概率记忆模型(2001)
  20. Kremer,Stefan C.:时空联结网络:分类学与评论(2001)