Bibliographies: 'Сети LSTM'

1

Кенесов, Ерлан. "ПРОГНОЗИРОВАНИЕ НАГРУЗОК В ЭЛЕКТРИЧЕСКИХ СЕТЯХ С ИСПОЛЬЗОВАНИЕМ РЕКУРРЕНТНЫХ НЕЙРОННЫХ СЕТЕЙ В УСЛОВИЯХ НЕДОСТАТОЧНОСТИ ИНФОРМАЦИИ О ПАРАМЕТРАХ ПОТРЕБЛЕНИЯ". Вестник Алматинского университета энергетики и связи 4, № 63 (2023): 5–18. http://dx.doi.org/10.51775/2790-0886/_2023_63_4_5.

Full text

Abstract:

Эффективное планирование и управление ЭЭС существенно зависит от точных прогнозов электрических нагрузок на различных этапах ведения режимов ЭЭС. В условиях постоянного роста потребления электроэнергии и изменяющихся климатических условий в электрических сетях нефтегазового комплекса задача разработки точных и надежных методов прогнозирования становится все более критичной. Одним из перспективных направлений и мощным инструментом для решения таких задач в последнее десятилетие стали нейронные сети, выполняющие прогнозирование электрических нагрузок на основе методов обучающихся систем. В данной статье предложено использование модели рекуррентной нейронной сети с долговременной памятью (LSTM – Long-Short Term Memory) для прогнозирования электрических нагрузок. Преимущество этого метода состоит в том, что, в сравнении с существующими методами, LSTM способен учитывать и моделировать долгосрочные зависимости временных рядов за счет наличия в модели ячейки памяти, которая позволяет выявлять неявные корреляции в данных потребления. Практическое значение данного метода заключается в том, что предлагаемая модель апробирована на реальном наборе данных подстанции 220 кВ. Произведено сравнение модели прогнозирования на основе нейронной сети LSTM со статистическим методом прогнозирования ARIMA, результаты показали среднюю абсолютную процентную ошибку (MAPE – Mean Absolute Percentage Error) 5,57% для модели LSTM и 17,087% для модели ARIMA соответственно.

APA, Harvard, Vancouver, ISO, and other styles

2

Кенесов, Ерлан, Даниил Васильев, Кармель Тохтибакиев та Азамат Ильясов. "ПРОГНОЗИРОВАНИЕ НАГРУЗОК В ЭЛЕКТРИЧЕСКИХ СЕТЯХ С ИСПОЛЬЗОВАНИЕМ РЕКУРРЕНТНЫХ НЕЙРОННЫХ СЕТЕЙ В УСЛОВИЯХ НЕДОСТАТОЧНОСТИ ИНФОРМАЦИИ О ПАРАМЕТРАХ ПОТРЕБЛЕНИЯ". Вестник Алматинского университета энергетики и связи 4, № 63 (2023): 5–18. http://dx.doi.org/10.51775/2790-0886_2023_63_4_5.

Full text

Abstract:

Эффективное планирование и управление ЭЭС существенно зависит от точных прогнозов электрических нагрузок на различных этапах ведения режимов ЭЭС. В условиях постоянного роста потребления электроэнергии и изменяющихся климатических условий в электрических сетях нефтегазового комплекса задача разработки точных и надежных методов прогнозирования становится все более критичной. Одним из перспективных направлений и мощным инструментом для решения таких задач в последнее десятилетие стали нейронные сети, выполняющие прогнозирование электрических нагрузок на основе методов обучающихся систем. В данной статье предложено использование модели рекуррентной нейронной сети с долговременной памятью (LSTM – Long-Short Term Memory) для прогнозирования электрических нагрузок. Преимущество этого метода состоит в том, что, в сравнении с существующими методами, LSTM способен учитывать и моделировать долгосрочные зависимости временных рядов за счет наличия в модели ячейки памяти, которая позволяет выявлять неявные корреляции в данных потребления. Практическое значение данного метода заключается в том, что предлагаемая модель апробирована на реальном наборе данных подстанции 220 кВ. Произведено сравнение модели прогнозирования на основе нейронной сети LSTM со статистическим методом прогнозирования ARIMA, результаты показали среднюю абсолютную процентную ошибку (MAPE – Mean Absolute Percentage Error) 5,57% для модели LSTM и 17,087% для модели ARIMA соответственно.

APA, Harvard, Vancouver, ISO, and other styles

3

Хужаяров, Илёс, та Маннон Очилов. "Разработка языковой модели на основе искусственных нейронных сетей для узбекского языка". Международный Журнал Теоретических и Прикладных Вопросов Цифровых Технологий 7, № 3 (2024): 76–83. http://dx.doi.org/10.62132/ijdt.v7i3.199.

Full text

Abstract:

Целью этой исследовательской работы является разработка модели узбекского языка с использованием искусственных нейронных сетей для улучшения возможностей обработки естественного языка (NLP). В статье классифицированы различные методы создания языковых моделей и представлены этапы проектирования языковой модели с использованием таких архитектур, как рекуррентные нейронные сети (RNN) и сети долгой краткосрочной памяти (LSTM). Также обсуждается индекс оценки моделей нейронного языка. Дополнительно выделены особенности текстовой базы, использованной для создания языковой модели, предлагаемая архитектура нейронной сети, гиперпараметры нейронной сети и полученные результаты.

APA, Harvard, Vancouver, ISO, and other styles

4

Nguyen, A., та Y. Sidorov. "РЕКУРРЕНТНАЯ НЕЙРОННАЯ СЕТЬ ДЛЯ ОБРАБОТКИ БОЛЬШИХ ТЕКСТОВЫХ ДАННЫХ". Системи управління, навігації та зв’язку. Збірник наукових праць 4, № 50 (2018): 135–38. http://dx.doi.org/10.26906/sunz.2018.4.135.

Full text

Abstract:

Предметом изучения статьи являются нейронные сети, а именно рекуррентные нейронные сети, отличающиеся способностью запоминания данных, а также программные библиотеки для их реализации. Целью работы является анализ нейронной сети Хопфилда, сетей Элмана и Джордана, эхо-сети, рекурсивной сети и рекуррентной сети с долгой краткосрочной памятью для непосредственного определения оптимальной архитектуры сети. А также анализ следующих программных библиотек: CNTK, Theano, Gluon, TensorFlow. Задачи: провести сравнение по направленности применения и возможностям работы с большими текстовыми данными вышеперечисленных рекуррентных нейронных сетей, определить какая из рассматриваемых программных библиотек является оптимальной и быстродейственной для разработки рекуррентной нейронной сети. Методом проведения исследования является нагрузочное тестирование программных комплексов в одинаковых аппаратных условиях, с использованием одинакового набора данных. По итогу работы получены результаты: платформой для интеграции технологий выбрано приложение для обработки текстовых данных большого объема и их резюмирования, а именно проект интерактивной среды написания литературы, созданный с использованием .NET, который позволяет автоматически резюмировать текст по определенным критериям. Для анализа производительности программных библиотек был рассмотрен тест на основе обучения и использования рекуррентных сетей с LSTM-модулями на тестовом наборе данных, с использованием всех исследуемых библиотек. Выводы: В качестве наиболее оптимального архитектурного подхода стоит считать использование LSTM-модулей, которые решают проблему затухающего градиента. Благодаря этому сети, основанные на этом подходе, показывают наилучшие результаты при работе с долгосрочными зависимостями в данных, что является крайне важным фактором при обработке текстовых данных. По результатам тестов производительности можно сказать, что наиболее оптимизированными для работы с рекуррентными архитектурами являются программные библиотеки CNTK и Gluon. При обучении они демонстрируют скорость, превосходящую производительность TensorFlow и Theano на 10-60%.

APA, Harvard, Vancouver, ISO, and other styles

5

Маловецкая, Екатерина Викторовна. "THE POSSIBILITY OF USING A TEMPORARY NEURAL NETWORK TO PREDICT THE INCOMING CAR TRAFFIC." Транспорт: Наука, техника, управление, no. 11 (July 2, 2024): 43–52. http://dx.doi.org/10.36535/0236-1914-2023-11-6.

Full text

Abstract:

В работе представлен обзор современных моделей временных рядов глубокого обучения, а также их применение для прогнозирования элементов железнодорожной сети. Рассмотрены глубокие последовательные модели, а именно глубокая нейронная сеть (Deep Neural Network DNN), долговременная кратковременная память (Long ShortTerm Memory LSTM) и традиционная временная нейронная сеть (TCNN) вместе с приложениями для прогнозирования данных временных рядов. Осуществлено сравнение исследуемых моделей с точки зрения областей применения, структуры и функций активации. Рассмотрена возможность использования традиционной временной нейронной сети (TCNN) для прогнозирования поступающего вагонопотока на стыковые пункты Восточного полигона на примере стыкового пункта Тайшет. This paper presents an overview of modern time series models of deep learning, as well as their application for forecasting elements of the railway network. Deep sequential models, namely Deep Neural Network (DNN), Long-term shortТerm Memory (LSTM) and traditional temporal neural network (TCNN), together with their applications for predicting time series data, are considered. The possibility of using a traditional time neural network (TCN) to predict the incoming car traffic to the junction points of the Eastern Polygon was considered. Such models were compared in terms of application areas, model structure and activation functions. The possibility of using a traditional time neural network (TCN) to predict the incoming car traffic to the junction points of the Eastern polygon was considered on the example of the Taishet junction point.

APA, Harvard, Vancouver, ISO, and other styles

6

АБДУРАКИПОВ, С. С., and Е. Б. БУТАКОВ. "ON A METHOD OF CONTROLLING THE HEATER BY USING NEURAL NETWORKS." Автометрия 60, no. 2 (2024): 109–18. http://dx.doi.org/10.15372/aut20240213.

Full text

Abstract:

Исследуется возможность применения нейронной сети долгой краткосрочной памяти (Long short-term memory, LSTM) для моделирования работы ПИД-регулятора. Реализован программный ПИД-регулятор для управления нагревателем с датчиком температуры на микроконтроллере Arduino, и разработана LSTM-модель, обученная на данных регулятора. Показано, что модель нейронной сети хорошо воспроизводит работу регулятора и может его полностью заменить при наличии многократно большего, но достаточного времени обработки данных. Продемонстрирована возможность использования данной модели в качестве детектора аномальной работы ПИД-регулятора. The paper studies the possibility of using a long short-term memory (LSTM) neural network to simulate the operation of a PID controller. A PID regulator has been implemented to control a heater with a temperature sensor by using the Arduino framework. An LSTM model trained on the controller data has been developed. It is shown that the neural network model quite accurately reproduces the regulator operation and can completely replace it. In addition, the applicability of this model as a detector of abnormal operation of the PID controller is shown.

APA, Harvard, Vancouver, ISO, and other styles

7

Таганова, Г., Д. А. Тусупов, А. Назырова, А. А. Абдилдаева та Т. Ж. Ермек. "КРАТКОСРОЧНЫЙ ПРОГНОЗ ВЫРАБОТКИ ЭЛЕКТРОЭНЕРГИИ ФОТОЭЛЕКТРИЧЕСКИМИ ЭЛЕКТРОСТАНЦИЯМИ ПУТЕМ СРАВНЕНИЯ МОДЕЛЕЙ LSTM И MLP". Physico-mathematical series, № 3 (30 вересня 2024): 190–202. http://dx.doi.org/10.32014/2024.2518-1726.300.

Full text

Abstract:

В современном мире эффективное управление электрическими сетями невозможно без достижения энергетического баланса между производством и потреблением электроэнергии. Стабильность работы электросетей напрямую зависит от способности операторов сети точно прогнозировать производство энергии, особенно когда речь идет о фотоэлектрических установках. Эти источники энергии, активно интегрируемые в электрические сети, подвержены влиянию множества факторов, в том числе и изменчивых погодных условий, что делает задачу прогнозирования особенно сложной. В рамках данного исследования была предпринята попытка повысить точность прогнозирования выходной мощности фотоэлектрической системы мощностью 20 кВт, собрав и анализировав данные о погодных условиях и производстве энергии за типичный год, охватывающий все четыре сезона. Особое внимание было уделено оценке двух методов машинного обучения: долгосрочной памяти (LSTM) и многослойного персептрона (MLP), которые были выбраны из-за их потенциала в обработке и анализе временных рядов данных. Результаты исследования демонстрируют высокую эффективность обоих методов в прогнозировании выходной мощности фотоэлектрических систем, что открывает новые возможности для улучшения управления электрическими сетями. Использование LSTM и MLP позволяет не только точно прогнозировать производство энергии, но и способствует оптимизации загрузки сети, минимизации потерь и повышению общей эффективности электроэнергетической системы. Важно отметить, что успех применения этих моделей зависит от качества и объема собранных данных, а также от тщательности подготовки данных к анализу. Исследование подчеркивает значимость интеграции передовых технологий машинного обучения в сферу управления энергетическими системами, предлагая практические рекомендации для энергетических компаний и операторов электросетей.

APA, Harvard, Vancouver, ISO, and other styles

8

Шыхалиев, Рамиз. "ОБ ОДНОМ МЕТОДЕ ИНТЕЛЛЕКТУАЛЬНОГО ПРОАКТИВНОГО МОНИТОРИНГА КОМПЬЮТЕРНЫХ СЕТЕЙ". Problems of Information Technology 12, № 2 (2021): 41–52. http://dx.doi.org/10.25045/jpit.v12.i2.04.

Full text

Abstract:

В статье предлагается метод для интеллектуального проактивного мониторинга компьютерных сетей (КС). Для обеспечения проактивности мониторинга КС предлагается использовать методы искусственного интеллекта, в частности глубокого обучения (ГО). Традиционные системы мониторинга в основном не имеют функции проактивного мониторинга. Несмотря на то, что сегодня в КС имеются достаточные вычислительные мощности, полосы пропускания и объемы памяти, все же идентификация важных событий среди огромных объемов данных мониторинга остается проблемой. Следовательно, несвоевременное обнаружение проблем КС может привести к перебоям в работе сети, предоставлении сетевых услуг и снижению безопасности КС. В отличие от традиционного мониторинга, интеллектуальный проактивный мониторинг может предоставлять больше информации о состоянии КС. Проактивность мониторинга КС основывается на прогнозировании поведения сети. При этом одним из основных требований для интеллектуального проактивного мониторинга КС является точность прогнозов, которая характеризует способность метода прогнозирования. Для достижения точности прогнозов при проактивном мониторинге КС используется однородный ансамбль, который состоит из одинокого базового алгоритма обучения. В качестве базового алгоритма обучения используется модель LSTM (Long Short-Term Memory − LSTM). Для создания базовых моделей обучения ансамбля LSTM используется «Bagging»-алгоритм. Предложенный в этой работе метод позволит обеспечить относительно высокую точность прогнозирования проблем КС, следовательно, гарантировать достаточную эффективность системы проактивного мониторинга КС.

APA, Harvard, Vancouver, ISO, and other styles

9

Кулагина, Людмила Владимировна, та Елена Николаевна Зайцева. "ПРОГНОЗИРОВАНИЕ ГИДРОЛОГИЧЕСКОГО РЕЖИМА С ИСПОЛЬЗОВАНИЕМ СЕТИ LSTM НА ПРИМЕРЕ РЕКИ ЕНИСЕЙ". Российский журнал прикладной экологии, № 4 (27 грудня 2024): 18–22. https://doi.org/10.24852/2411-7374.2024.4.18.22.

Full text

Abstract:

В статье оценивается возможность применения сетей LSTM, как дополнительного механизма прогнозирования гидрологического режима водного объекта, на примере архива данных по реке Енисей. Результаты исследования могут быть использованы при анализе и моделировании распространения последствий аварий и чрезвычайных ситуаций на крупных речных системах с наличием гидрологических постов наблюдений

APA, Harvard, Vancouver, ISO, and other styles

10

Тормозов, В. С., та Tormozov V.S. "Адаптация модели нейронной сети LSTM для решения комплексной задачи распознавания образов". Международный журнал "Программные продукты и системы" 25 (15 березня 2021): 151–56. http://dx.doi.org/10.15827/0236-235x.133.151-156.

Full text

APA, Harvard, Vancouver, ISO, and other styles

Contents

Academic literature on the topic 'Сети LSTM'

Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles

Journal articles on the topic "Сети LSTM"

Conference papers on the topic "Сети LSTM"