LSTM

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机器学习方法无法学习的行为/序列处理任务/算法/程序。这就解释了在技术应用方面对人工rnn的兴趣迅速增长的原因:通用计算机可以学习将输入序列映射到输出序列的算法,无论有没有老师。它们在计算上更强大,在生物学上比其他自适应方法更可信,例如隐马尔可夫模型(没有连续的内部状态)、前馈网络和支持向量机(根本没有内部状态)。我们的许多应用包括自适应语音识别、语音序列识别、语音序列识别、语音识别和其他应用。


zbMATH中的参考文献(参考 24篇文章 24篇,1标准件)

显示第1到第20个结果,共24个。
按年份排序(引用)
  1. Heider,Yousef;Wang,Kun;Sun,WaiChing:SO(3)——各向异性弹塑性材料基于信息图的深层神经网络的不变性(2020)
  2. Willmott,Devin;Murrugarra,David;Ye,Qiang:通过深度递归神经网络的状态推断改进RNA二级结构预测(2020)
  3. Daniel Fernández González;Gómez Rodríguez,Carlos:使用非二进制、自底向上的策略快速转换减少成分分析(2019年)
  4. 于勇;司晓胜;胡昌华;张建勋:递归神经网络综述:LSTM细胞和网络结构(2019)
  5. Aggarwal,Charu C.:神经网络与深度学习。教科书(2018)
  6. Cinar,Goktug T.;Sequeira,Pedro M.N.;Principe,Jose C.:无监督音符识别的层次线性动力学系统(2018)
  7. Thomas Fischer;Krauss,Christopher:金融市场预测的长短期记忆网络深度学习(2018)
  8. 朱恒辉;帕斯卡利迪斯,伊欧尼斯·施;哈塞尔莫,迈克尔·E.:学习情境依赖性刺激关联的神经回路(2018)
  9. Er,Meng Joo;Zhang,Yong;Wang,Ning;Pratama,Mahardhika:基于注意力集中的卷积神经网络句子建模(2016)
  10. Schmidhuber,Jürgen:神经网络的深度学习:概述(2015)ioport公司
  11. 格雷夫斯,亚历克斯:用递归神经网络进行监督序列标记。(2012年)
  12. Namikawa,Jun;Tani,Jun:学习用混沌合成的方式模拟随机时间序列(2010)
  13. Liwicki,Marcus;Bunke,Horst:结合不同的联机和脱机系统进行手写文本行识别(2009)
  14. Namikawa,Jun;Tani,Jun:一个学习分割时间序列的模型,利用RNN专家和自适应方差的混合(2008)
  15. Kara,Sadik;Okandan,Mustafa:用人工神经网络对心房颤动进行分类(2007年)
  16. 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)
  17. Grüning,André:递归神经网络中的类堆栈和类队列动力学(2006)
  18. Graves,Alex;Schmidhuber,Jürgen:基于双向lstm和其他神经网络结构的帧音素分类(2005)ioport公司
  19. Jacobsson,Henrik:从递归神经网络中提取规则:分类学和评论(2005)
  20. Gabrijel,Ivan;Dobnikar,Andrej:用广义递归神经网络在线识别和重构有限自动机。(2003年)ioport公司