فهرس المقالات Recurrent Neural Network

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - Utilizing Gated Recurrent Units to Retain Long Term Dependencies with Recurrent Neural Network in Text Classification
  Nidhi Chandra Laxmi  Ahuja Sunil Kumar Khatri Himanshu Monga
  10.52547/jist.9.34.89
  The classification of text is one of the key areas of research for natural language processing. Most of the organizations get customer reviews and feedbacks for their products for which they want quick reviews to action on them. Manual reviews would take a lot of time a أکثر

  The classification of text is one of the key areas of research for natural language processing. Most of the organizations get customer reviews and feedbacks for their products for which they want quick reviews to action on them. Manual reviews would take a lot of time and effort and may impact their product sales, so to make it quick these organizations have asked their IT to leverage machine learning algorithms to process such text on a real-time basis. Gated recurrent units (GRUs) algorithms which is an extension of the Recurrent Neural Network and referred to as gating mechanism in the network helps provides such mechanism. Recurrent Neural Networks (RNN) has demonstrated to be the main alternative to deal with sequence classification and have demonstrated satisfactory to keep up the information from past outcomes and influence those outcomes for performance adjustment. The GRU model helps in rectifying gradient problems which can help benefit multiple use cases by making this model learn long-term dependencies in text data structures. A few of the use cases that follow are – sentiment analysis for NLP. GRU with RNN is being used as it would need to retain long-term dependencies. This paper presents a text classification technique using a sequential word embedding processed using gated recurrent unit sigmoid function in a Recurrent neural network. This paper focuses on classifying text using the Gated Recurrent Units method that makes use of the framework for embedding fixed size, matrix text. It helps specifically inform the network of long-term dependencies. We leveraged the GRU model on the movie review dataset with a classification accuracy of 87%. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - کنترل مد لغزشی مبتنی بر داده مبتنی بر شبکه عصبی بازگشتیتصویر برای عفونت :HIV یک رویکرد مقدار تکین
  اشکان  ضرغامی مهدی  سیاهی فریدون نوشیروان راحت آباد
  در این مقاله، جبران‌سازی عفونت HIV با استفاده از کنترل مد لغزشی مبتنی بر داده در تلفیق با شبکه عصبی بازگشتی تصویر مورد توجه قرار گرفته است. اهداف اصلی تعیین قوانین کنترلی به‌گونه‌ای است که نیازی به معادلات ریاضی عفونت HIV نباشد و محدودیت فیزیکی محرک نیز برآورده شود. این أکثر

  در این مقاله، جبران‌سازی عفونت HIV با استفاده از کنترل مد لغزشی مبتنی بر داده در تلفیق با شبکه عصبی بازگشتی تصویر مورد توجه قرار گرفته است. اهداف اصلی تعیین قوانین کنترلی به‌گونه‌ای است که نیازی به معادلات ریاضی عفونت HIV نباشد و محدودیت فیزیکی محرک نیز برآورده شود. این کار با توسعه مبانی کنترل تطبیقی مستقل از مدل صورت می‌گیرد که در آن از خطی‌سازی دینامیکی محلی مبتنی بر تخمین مشتق شبه‌جزئی برای توصیف رابطه بین ورودی و خروجی استفاده می‌شود. برای تعیین قانون کنترل، نخست یک شاخص عملکرد مبتنی بر تحقق شرط دسترسی نمایی زمان گسسته تعریف می‌شود. با تبدیل این شاخص به یک مسئله برنامه‌ریزی مرتبه دوی مقید، دینامیک شبکه عصبی بازگشتی تصویر بر اساس نظریه تصویر استخراج می‌شود. به کمک معادله خروجی بهینه‌سازی، دینامیک حلقه بسته به‌صورت صریح تعیین می‌گردد و تحلیل پایداری حلقه بسته به کمک رویکرد مقدار تکین مورد بررسی قرار می‌گیرد. نتایج شبیه‌سازی الگوریتم پیشنهادی در قیاس با یکی از جدیدترین رویکردهای کنترلی، نشان‌دهنده کیفیت بالای الگوریتم در هدایت دینامیک عفونت HIV به نقطه تعادل سالم در حضور عدم قطعیت مدل و اغتشاشات خارجی است. تفاصيل المقالة