Search Results - "РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ"

1

Conference

Распознавание текстов с применением искусственного интеллекта

Contributors: Ляхов, С. В.

Subject Terms: OCR, НЕЙРОННЫЕ СЕТИ, СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ, РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ, ОЦИФРОВКА ТЕКСТА, LSTM, РАСПОЗНАВАНИЕ ТЕКСТА

File Description: application/pdf

Access URL: https://elar.uspu.ru/handle/ru-uspu/45540

2

Academic Journal

Application of Seq2Seq models for predicting the development of thunderstorm activity to enhance the pilot’s situational awareness in flight ; Применение Seq2seq-моделей для прогнозирования развития грозовой деятельности с целью повышения уровня ситуационной осведомленности пилота в полете

Authors: G. V. Kovalenko, I. A. Yadrov, Г. В. Коваленко, И. А. Ядров

Source: Civil Aviation High Technologies; Том 28, № 1 (2025); 20-38 ; Научный вестник МГТУ ГА; Том 28, № 1 (2025); 20-38 ; 2542-0119 ; 2079-0619

Subject Terms: обход грозы, prediction, recurrent neural networks, convolutional recurrent neural networks, situational awareness, thunderstorm avoidance, прогнозирование, рекуррентные нейронные сети, сверточные рекуррентные нейронные сети, ситуационная осведомленность

File Description: application/pdf

Relation: https://avia.mstuca.ru/jour/article/view/2498/1421; Bolstad C.A., Riley J.M. Using goal directed task analysis with Army brigade officer teams // Proceedings of the Human Factors and Ergonomics Society Annual Meeting. SAGE Publications. 2002. Vol. 46, no.3. Pp. 472–476. DOI:10.1177/154193120204600354; Stanton N.A., Chambers P.R.G., Piggott J. Situational awareness and safety // Safety science. 2001. Vol. 39, no. 3. Pp. 189–204. DOI:10.1016/S0925-7535(01)00010-8; Sarter N.B., Woods D.D. Situation awareness: A critical but Ill-defined phenomenon // The International Journal of Aviation Psychology. 1991. Vol. 1, no. 1. Pp. 45–57. DOI:10.1207/s15327108ijap0101_4; Стрелков Ю.К. Инженерная и профессиональная психология: учеб. пособие. М.: Академия; Высшая школа, 2001. 360 с.; De Gooijer J.G., Hyndman R.J. 25 years of time series forecasting // International Journal of Forecasting. 2006. Vol. 22, no. 3. Pp. 443–473. DOI:10.1016/j.ijforecast.2006.01.001; Stevenson S. A comparison of the forecasting ability of ARIMA models // Journal of Property Investment & Finance. 2007. Vol. 25, no. 3. Pp. 223–240. DOI:10.1108/14635780710746902; Chatfield C. A new look at models for exponential smoothing / C. Chatfield, A.B. Koehler, J.K. Ord, R.D. Snyder // Journal of the Royal Statistical Society: Series D (The Statistician). 2001. Vol. 50, no. 2. Pp. 147–159. DOI:10.1111/1467-9884.00267; Bentéjac C., Csörgő A., Martínez-Muñoz G. A comparative analysis of gradient boosting algorithms // Artificial Intelligence Review. 2021. Vol. 54. Pp. 1937–1967. DOI:10.1007/s10462-020-09896-5; Faloutsos C. Classical and contemporary approaches to big time series forecasting / C. Faloutsos, J. Gasthaus, T. Januschowski, Y. Wang // SIGMOD '19: Proceedings of the 2019 International Conference on Management of Data, 2019. Pp. 2042–2047. DOI:10.1145/3299869.3314033; Makridakis S., Spiliotis E., Assimakopoulos V. The M4 Competition: Results, findings, conclusion and way forward // International Journal of Forecasting. 2018. Vol. 34, iss. 4. Pp. 802–808. DOI:10.1016/j.ijforecast.2018.06.001; Taieb S.B., Sorjamaa A., Bontempi G. Multiple-output modeling for multi-step-ahead time series forecasting // Neurocomputing. 2010. Vol. 73, iss. 10–12. Pp. 1950–1957. DOI:10.1016/j.neucom.2009.11.030; Sutskever I., Vinyals O., Quoc V.L. Sequence to sequence learning with neural networks // Proceedings of the 27th International Conference on Neural Information Processing Systems. 2014. No. 2. Pp. 3104–3112. DOI:10.48550/arXiv.1409.3215; Caterini A.L. Recurrent neural networks / A.L. Caterini, D.E. Chang, A.L. Caterini, D.E. Chang. In book: Deep Neural Networks in a Mathematical Framework. Springer Briefs in Computer Science. Springer, Cham, 2018. Pp. 59–79. DOI:10.1007/978-3-319-75304-1_5; Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by backpropagating errors // Nature. 1986. No. 323. Pp. 533–536. DOI:10.1038/323533a0; Rasamoelina A.D., Adjailia F., Sinčák P. A review of activation function for artificial neural network // 2020 IEEE 18th World Symposium on Applied Machine Intelligence and Informatics (SAMI). Slovakia, Herlany, 2020. Pp. 281–286. DOI:10.1109/SAMI48414.2020.9108717; Toharudin T. Employing long shortterm memory and Facebook prophet model in air temperature forecasting / T. Toharudin, R.S. Pontoh, R.E. Caraka, S. Zahroh, Y. Lee Y, R.C. Chen // Communications in Statistics-Simulation and Computation. 2023. Vol. 52, iss. 2. Pp. 279–290. DOI:10.1080/03610918.2020.1854302; Schmidhuber J., Hochreiter S. Long short-term memory // Neural Computation. 1997. Vol. 9, iss. 8. Pp. 1735–1780. DOI:10.1162/neco.1997.9.8.1735; De Mulder W., Bethard S., Moens M.F. A survey on the application of recurrent neural networks to statistical language modeling / Computer Speech & Language. 2015. Vol. 30, iss. 1. Pp. 61–98. DOI:10.1016/j.csl.2014.09.005; Shi X. Convolutional LSTM network: A machine learning approach for precipitation nowcasting / X. Shi, Z. Chen, H. Wang, D.Y. Yeung, W.K. Wong, W.C. Woo // NIPS'15: Proceedings of the 28th International Conference on Neural Information Processing Systems. 2015. Vol. 1. Pp. 802–810. DOI:10.48550/arXiv.1506.04214; Li Z. A survey of convolutional neural networks: analysis, applications, and prospects / Z. Li, F. Liu, W. Yang, S. Peng, J. Zhou // IEEE transactions on neural networks and learning systems. 2021. Vol. 33, no. 12. Pp. 6999–7019. DOI:10.1109/TNNLS.2021.3084827; Ballas N. Delving deeper into convolutional networks for learning video representations / N. Ballas, L. Yao, C.J. Pal, A. Courville [Электронный ресурс] // 4th International Conference on Learning Representations (ICLR 2016), 2016. 2 p. DOI:10.48550/arXiv.1511.06432 (дата обращения: 08.10.2024).; Mahafza B.R. Radar systems analysis and design using MATLAB. 2nd ed. Chapman and Hall, CRC, 2005. 638 p. DOI:10.1201/9781420057072; Van Dyk D.A., Meng X.L. The art of data augmentation // Journal of Computational and Graphical Statistics. 2001. Vol. 10, no. 1. Pp. 1–50. DOI:10.1198/10618600152418584; Masters D., Luschi C. Revisiting small batch training for deep neural networks [Электронный ресурс] // Computer Science and Machine Learning. 2018. Pp. 1–18. DOI:10.48550/arXiv.1804.07612 (дата обращения: 08.10.2024).; Werbos P.J. Backpropagation through time: what it does and how to do it // Proceedings of the IEEE. 1990. Vol.78, no. 10. Pp. 1550–1560. DOI:10.1109/5.58337; Llugsi R. Comparison between Adam, AdaMax and Adam W optimizers to implement a weather forecast based on neural networks for the Andean city of Quito / R. Llugsi, S.E. Yacoubi, A. Fontaine, P. Lupera // 2021 IEEE Fifth Ecuador Technical Chapters Meeting (ETCM), 2021. Pp. 1–6. DOI:10.1109/ETCM53643.2021.9590681; Bejani M.M., Ghatee M. A systematic review on overfitting control in shallow and deep neural networks // Artificial Intelligence Review. 2021. Vol. 54. Pp. 6391–6438. DOI:10.1007/s10462-021-09975-1; Passos D., Mishra P. A tutorial on automatic hyperparameter tuning of deep spectral modelling for regression and classification tasks [Электронный ресурс] // Chemometrics and Intelligent Laboratory Systems. 2022. Vol. 223. ID: 104520. DOI:10.1016/j.chemolab.2022.10 4520 (дата обращения: 08.10.2024).; Koloskova A., Hendrikx H., Stich S.U. Revisiting gradient clipping: Stochastic bias and tight convergence guarantees // International Conference on Machine Learning. 2023. Pp. 17343–17363. DOI:10.48550/arXiv.2305. 01588; Endsley M.R. Toward a theory of situation awareness in dynamic systems // Human factors. 1995. Vol. 37, no. 1. Pp. 32–64. DOI:10.1518/001872095779049543; Kaikkonen L. Bayesian networks in environmental risk assessment: A review / L. Kaikkonen, T. Parviainen, M. Rahikainen, L. Uusitalo, A. Lehikoinen // Integrated environmental assessment and management. 2021. Vol. 17, no. 1. Pp. 62–78. DOI:10.1002/ieam.4332; Kovalenko G.V., Yadrov I.A., Kuts K.A. Intelligent adaptive flight crew decision support system for thunderstorm avoidance // Russian Aeronautics. 2023. Vol. 66. Pp. 552–559. DOI:10.3103/S1068799823030170; https://avia.mstuca.ru/jour/article/view/2498

Availability: https://avia.mstuca.ru/jour/article/view/2498
https://doi.org/10.26467/2079-0619-2025-28-1-20-38

View record from BASE

3

Conference

Распознавание текстов с применением искусственного интеллекта

Authors: Волегов, И. А.

Contributors: Ляхов, С. В.

Subject Terms: OCR, ОЦИФРОВКА ТЕКСТА, РАСПОЗНАВАНИЕ ТЕКСТА, НЕЙРОННЫЕ СЕТИ, СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ, РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ, LSTM

Subject Geographic: RSVPU

File Description: application/pdf

Relation: XVII Всероссийская студенческая научно-практическая конференция «Документ в современном обществе: искусственный интеллект и цифровая трансформация». — Екатеринбург, 2024

Availability: https://elar.uspu.ru/handle/ru-uspu/45540

View record from BASE

4

Academic Journal

Геологиядағы машиналық және терең оқыту алгоритмдерінің мүмкіндіктерін салыстырмалы талдау: Comparative analysis of the capabilities of machine learning and deep learning algorithms in geology

Source: Горный журнал Казахстана. :14-20

Subject Terms: точность анализа, прогнозирование геологических событий, табиғи тілді өңдеу, сверточные и рекуррентные нейронные сети, интеграция данных, machine and deep learning, automation of geological interpretation, geological event forecasting, конволюциялық және қайталанатын нейрондық желілер, геологиялық интерпретацияны автоматтандыру, автоматизация геологической интерпретации, деректерді біріктіру, обработка естественного языка, геологиялық оқиғаларды болжау, accuracy of analysis results, convolutional and recurrent neural networks, машинное и глубокое обучение, машиналық және терең оқыту, сараптау дәлдігі, natural language processing, data integration

5

Academic Journal

Application of artificial intelligence for predicting injury risk in athletes: an approach using recurrent neural networks ; Применение искусственного интеллекта для прогнозирования риска травм у спортсменов: подход с использованием реккурентных нейронных сетей

Authors: A. V. Solonets, A. S. Snarsky, А. В. Солонец, А. С. Снарский

Source: «System analysis and applied information science»; № 2 (2025); 11-16 ; Системный анализ и прикладная информатика; № 2 (2025); 11-16 ; 2414-0481 ; 2309-4923 ; 10.21122/2309-4923-2025-2

Subject Terms: тренировочная нагрузка, prediction, machine learning, recurrent neural networks, artificial intelligence, heart rate variability, heart rate, training load, прогнозирование, машинное обучение, рекуррентные нейронные сети, искусственный интеллект, вариабельность сердечного ритма, частота сердечных сокращений

File Description: application/pdf

Relation: https://sapi.bntu.by/jour/article/view/742/533; Rossi, A. Effective injury forecasting in soccer with GPS training data and machine learning / A. Rossi, L. Pappalardo, P. Cintia, F.M. Iaia, J. Fernàndez, D. Medina // PLoS ONE. – 2018. – Vol. 13, Iss. 7. – P. 1–15. – DOI10.1371/journal.pone.0201264; Carey, D.L. Predictive modelling of training loads and injury in Australian football / D.L. Carey, K.L. Ong, R. Whiteley, K.M. Crossley, J. Crow, M.E. Morris // International Journal of Computer Science in Sport. – 2018. – Vol. 17, Iss. 1. – P. 1–18. – DOI:10.2478/ijcss-2018-0002; Eetvelde, H.V. Machine learning methods in sport injury prediction and prevention: a systematic review / H.V. Eetvelde, L.D. Mendonça, C. Ley, R. Seil, T. Tischer // Journal of Experimental Orthopaedics. – 2021. – Vol. 8, Iss. 27. – P. 1–15. – DOI:10.1186/s40634-021-00346-x; Bahr, R. Understanding injury mechanisms: A key component of preventing injuries in sport / R. Bahr, T. Krosshaug // British Journal of Sports Medicine. – 2005. – Vol. 39, Iss. 6. – P. 324–329. – DOI:10.1136/bjsm.2005.018341; Gabbett, T.J. The training-injury prevention paradox: Should athletes be training smarter and harder? / T.J. Gabbett // British Journal of Sports Medicine. – 2016. – Vol. 50, Iss. 5. – P. 273–280. – DOI:10.1136/bjsports-2015-095788; Meeusen, R. Prevention, diagnosis, and treatment of the overtraining syndrome: Joint consensus statement of the European College of Sport Science and the American College of Sports Medicine / R. Meeusen, M. Duclos, C. Foster, A. Fry, M. Gleeson, D. Nieman, J. Raglin, G. Rietjens, J. Steinacker, A. Urhausen // European Journal of Sport Science. – 2013. – Vol. 45, Iss. 1. – P. 186–205. – DOI:10.1080/17461391.2012.730061; Plews, D.J. Heart rate variability in elite triathletes, is variation in variability the key to effective training? A case comparison / D.J. Plews, P.B. Laursen, A.E. Kilding, M. Buchheit // European journal of applied physiology. – 2012. – Vol. 112. – P. 3729–3741. – DOI:10.1007/s00421-012-2354-4; Achten, J. Heart rate monitoring: Applications and limitations / J. Achten, A.E. Jeukendrup // Sports Medicine. – 2003. – Vol. 33. – С. 517–538. – DOI:10.2165/00007256-200333070-00004; Malik, M. Heart rate variability: Standards of measurement, physiological interpretation, and clinical use / M. Malik, J.T. Bigger, A.J. Camm, R.E. Kleiger, A. Malliani, A.J. Moss, P.J. Schwartz // European Heart Journal. – 1996. – Vol. 17, Iss. 3. – P. 354–381. – DOI:10.1093/oxfordjournals.eurheartj.a014868; Kiviniemi, A.M. Endurance training guided by daily heart rate variability measurements / A.M. Kiviniemi, A.J. Hautala, H. Kinnunen, M.P. Tulppo // European Journal of Applied Physiology. – 2007. – Vol. 101. – С. 743–751. – DOI:10.1007/s00421-007-0552-2; Hochreiter, S. Long short-term memory / S. Hochreiter, J. Schmidhuber // Neural Computation. – 1997. – Vol. 9 (8). – P. 1735–1780. – DOI:10.1162/neco.1997.9.8.1735; Hou, J. Application of recurrent neural network in predicting athletes' sports achievement / J. Hou, Z. Tian // The Journal of Supercomputing. – 2022. – Vol. 78. – P. 5507–5525. – DOI:10.1007/s11227-021-04082-y; https://sapi.bntu.by/jour/article/view/742

Availability: https://sapi.bntu.by/jour/article/view/742
https://doi.org/10.21122/2309-4923-2025-2-11-16

View record from BASE

6

Academic Journal

Methodology for diagnosing the technical condition of aviation gas turbine engines using recurrent neural networks (RNN) and long short-term memory networks (LSTM) ; Методика диагностирования технического состояния авиационных газотурбинных двигателей с применением рекуррентных нейронных сетей (RNN) и длинно-краткосрочной памяти (LSTM)

Authors: O. F. Mashoshin, H. Huseynov, A. S. Zasukhin, О. Ф. Машошин, Г. Гусейнов, А. С. Засухин

Source: Civil Aviation High Technologies; Том 27, № 6 (2024); 21-41 ; Научный вестник МГТУ ГА; Том 27, № 6 (2024); 21-41 ; 2542-0119 ; 2079-0619

Subject Terms: алгоритм BPTT, gas turbine engine diagnostics, recurrent neural networks, long short-term memory, parameter forecasting, vibration, compressor, turbine, BPTT algorithm, диагностика авиационных газотурбинных двигателей, рекуррентные нейронные сети, длинно-краткосрочная память, прогноз параметров, вибрация, компрессор, турбина

File Description: application/pdf

Relation: https://avia.mstuca.ru/jour/article/view/2465/1414; https://avia.mstuca.ru/jour/article/downloadSuppFile/2465/999; Fentaye A.D., Zaccaria V., Kyprianidis K. Aircraft engine performance monitoring and diagnostics based on deep convolutional neural networks [Электронный ресурс] // Machines. 2021. Vol. 9, iss. 12. ID: 337. DOI:10.3390/machines9120337 (дата обращения: 27.02.2024).; Al-Tekreeti W.K.F., Kashyzadeh K.R., Ghorbani S. Advancements in gas turbine fault detection: a machine learning approach based on the temporal convolutional network-autoencoder model [Электронный ресурс] // Applied Sciences. 2024. Vol. 14, iss. 11. ID: 4551. DOI:10.3390/app14114551 (дата обращения: 27.02.2024).; Berghout T. ProgNet: A transferable deep network for aircraft engine damage propagation prognosis under real flight conditions / T. Berghout, M.-D. Mouss, L.-H. Mouss, M. Benbouzid [Электронный ресурс] // Aerospace. 2023. Vol. 10, iss. 1. ID: 10. DOI:10.3390/aerospace10010010 (дата обращения: 27.02.2024).; Hochreiter S., Schmidhuber J. Long short-term memory // Neural computation. 1997. Vol. 9, iss. 8. Pp. 1735–1780. DOI:10.1162/neco.1997.9.8.1735; Zhao J., Li Y.-G., Sampath S. Convolutional neural network denoising autoencoders for intelligent aircraft engine gas path health signal noise filtering [Электронный ресурс] // Journal of Engineering for Gas Turbines and Power. 2023. Vol. 145, iss. 6. ID: 061013. DOI:10.1115/1.4056128 (дата обращения: 27.02.2024).; Garg S., Simon D. Challenges in aircraft engine gas path health management [Электронный ресурс] // Proceedings of the Tutorial on Aircraft Engine Control and Gas Path Health Management, Cleveland, OH, USA, 2012. 64 p. URL: https://ntrs.nasa.gov/api/citations/20150009565/downloads/20150009565.pdf (дата обращения: 15.02.2024).; Mohammadi R. Fault diagnosis of gas turbine engines by using dynamic neural networks / R. Mohammadi, E. Naderi, K. Khorasani, S. Hashtrudi-Zad // 2011 IEEE International Conference on Quality and Reliability. Bangkok, Thailand, 2011. Pp. 25–30. DOI:10.1109/ICQR.2011.6031675; Goodfellow I., Bengio Y. Courville A. Deep learning. The MIT Press, 2016. 800 p.; Clifton D. Condition monitoring of gasturbine engines [Электронный ресурс] // Transfer Report. Department of Engineering Science, University of Oxford, 2006. 60 p. URL: https://www.robots.ox.ac.uk/~davidc/pubs/transfer.pdf (дата обращения: 27.02.2024).; Upadhyay A. A deep-learning-based approach for aircraft engine defect detection / A. Upadhyay, J. Li, S. King, S. Addepalli [Электронный ресурс] // Machines. 2023. Vol. 11, iss. 2. ID: 192. DOI:10.3390/machines11020192 (дата обращения: 27.02.2024).; Zhou D. Fault diagnosis of gas turbine based on partly interpretable convolutional neural networks / D. Zhou, Q. Yao, H. Wu, S. Ma, H. Zhang [Электронный ресурс] // Energy. 2020. Vol. 200. ID: 117467. DOI:10.1016/j.energy.2020.117467 (дата обращения: 27.02.2024).; Falsetti C., Sisti M., Beard P.F. Infrared thermography and calibration techniques for gas turbine applications: A review [Электронный ресурс] // Infrared Physics & Technology. 2021. Vol. 113. ID: 103574. DOI:10.1016/j.infra red.2020.103574 (дата обращения: 27.02.2024).; Zhao F. Gas turbine exhaust system health management based on recurrent neural networks / F. Zhao, L. Chen, T. Xia, Z. Ye, Y. Zheng // Procedia CIRP. 2019. Vol. 83, no. 12. Pp. 630–635. DOI:10.1016/j.procir.2019.04.122; Pitkänen J. NDT methods for revealing anomalies and defects in gas turbine blades / J. Pitkänen, T. Hakkarainen, H. Jeskanen, P. Kuusinen, K. Lahdenperä, P. Särkiniemi [Электронный ресурс] // 15th World Conference on Nondestructive Testing. Italy, Roma, 15–21 October 2000. URL: https://www.ndt.net/article/wcndt00/papers/idn629/idn629.htm (дата обращения: 27.02.2024).; Loboda I. Neural networks for gas turbine diagnosis [Электронный ресурс] // Artificial Neural Networks-Models and Applications, 2016. DOI:10.5772/63107 (дата обращения: 27.02.2024).; Pineda F.J. Generalization of backpropagation to recurrent neural networks [Электронный ресурс] // Physical Review Letters. 1987. Vol. 59, iss. 19. ID: 2229. DOI:10.1103/PhysRevLett.59.2229 (дата обращения: 27.02.2024).; Панков Е.А., Чайка Н.Ф. Возможности спектральных методов для диагностики авиационных двигателей // Интерэкспо Гео-Сибирь. 2016. № 9. С. 8–13.; https://avia.mstuca.ru/jour/article/view/2465

Availability: https://avia.mstuca.ru/jour/article/view/2465
https://doi.org/10.26467/2079-0619-2024-27-6-21-41

View record from BASE

7

Academic Journal

Применение искусственных нейронных сетей в области геофизики

Subject Terms: рекуррентные нейронные сети, геофизика, генеративные состязательные сети, прогнозирование природных явлений, нейронные сети, сверточные нейронные сети, искусственные нейронные сети, сейсмический мониторинг

File Description: application/pdf

Access URL: https://elib.belstu.by/handle/123456789/68689

8

Conference

Классификация длинных текстов

Authors: Mayatskaya, E. A.

Subject Terms: КЛАССИФИКАЦИЯ, ВЕКТОРНОЕ ПРЕДСТАВЛЕНИЕ ТЕКСТА, РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ, EMBEDDINGS, CLASSIFICATION, BERT, RECURRENT NEURAL NETWORKS

File Description: application/pdf

Access URL: http://elar.urfu.ru/handle/10995/133794

9

Conference

Распознавание текстов с применением искусственного интеллекта

Contributors: Ляхов, С. В.

Subject Terms: OCR, НЕЙРОННЫЕ СЕТИ, СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ, РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ, ОЦИФРОВКА ТЕКСТА, LSTM, РАСПОЗНАВАНИЕ ТЕКСТА

File Description: application/pdf

Access URL: https://elar.uspu.ru/handle/ru-uspu/45540

View record at OpenAIRE

10

Academic Journal

Recurrent Neural Networks for Time Series Forecasting. Choosing the best Architecture for Passenger Traffic Data

Authors: Leonid Sibruk, Ihor Zakutynskyi

Source: Electronics and Control Systems; Vol. 2 No. 72 (2022); 38-44
Электроника и системы управления; Том 2 № 72 (2022); 38-44
Електроніка та системи управління; Том 2 № 72 (2022); 38-44

Subject Terms: пассажиропоток, архітектура LSTM, passenger flow, neural networks, нейронні мережі, aрхитектура LSTM, архітектура GRU, LST Marchitecture, GRU architecture, рекуррентные нейронные сети, архитектура GRU, рекурентні нейронні мережі, recurrent neural networks, нейронные сети, time series, часові ряди, временные ряды, пасажиропотік

File Description: application/pdf

Access URL: https://jrnl.nau.edu.ua/index.php/ESU/article/view/16941

View record at OpenAIRE

11

Academic Journal

Реализация классификатора групп в социальных сетях с помощью рекуррентных и свёрточных нейронных сетей

Authors: Denis M. Obolensky, Victoria Shevchenko, Anastasia S. Soina, Olga Chengar, Elena N. Maschenko

Source: Экономика. Информатика. 48:100-115

Subject Terms: рекуррентные нейронные сети, социальные сети, сверточные нейронные сети, техника, вычислительная техника, Python, Keras

12

Academic Journal

Нейросетевые технологии идентификации и компьютерного зрения в моделировании процесса управления рабочим оборудованием экскаватора

Subject Terms: рекуррентные нейронные сети, компьютерное зрение, экскаватор, идентификация, сверточные нейронные сети, система автоматического управления

13

Academic Journal

Recognizing historical handwritten documents using deep machine learning methods ; Распознавание исторических рукописных документов с применением методов глубокого машинного обучения

Authors: Мамедов, Т. Р., Ершов, Н. М.

Source: System Analysis in Science and Education = Sistemnyj analiz v nauke i obrazovanii; No. 3 (2024); 46-53 ; Системный анализ в науке и образовании; № 3 (2024); 46-53 ; 2071-9612

Subject Terms: распознавание образов, глубокое обучение, рекуррентные нейронные сети, трансформеры, pattern recognition, deep learning, recurrent neural networks, transformers

File Description: application/pdf

Relation: https://sanse.ru/index.php/sanse/article/view/625/595; https://sanse.ru/index.php/sanse/article/view/625

Availability: https://sanse.ru/index.php/sanse/article/view/625

View record from BASE

14

Academic Journal

Review of Artificial Intelligence Methods Used in the Analysis of Functional Near-Infrared Spectroscopy Data ; Обзор методов искусственного интеллекта, применяемых в анализе данных функциональной спектроскопии в ближнем инфракрасном диапазоне

Authors: Asadullaev, Rustam, Sitnikova, Maria, Sletov, Alexander, Sitnikov, Andrey, Malykh, Sergey, Асадуллаев, Рустам Г., Ситникова, Мария А., Слетов, Александр А., Ситников, Андрей В., Малых, Сергей Б.

Source: Russian Psychological Journal; Vol. 21 No. 1 (2024); 67-86 ; Российский психологический журнал; Том 21 № 1 (2024); 67-86 ; 2411-5789 ; 1812-1853 ; 10.21702/w59f0g27

Subject Terms: Функциональная БИК-спектроскопия, нейрофизиологические данные, методы машинного обучения, нейронные сети глубокого обучения, сверточные нейронные сети, рекуррентные нейронные сети, functional near-infrared spectroscopy, neurophysiological data, machine learning methods, deep learning neural networks, convolutional neural networks, recurrent neural networks