Literatura académica sobre el tema "LSTM"
Crea una cita precisa en los estilos APA, MLA, Chicago, Harvard y otros
Consulte las listas temáticas de artículos, libros, tesis, actas de conferencias y otras fuentes académicas sobre el tema "LSTM".
Junto a cada fuente en la lista de referencias hay un botón "Agregar a la bibliografía". Pulsa este botón, y generaremos automáticamente la referencia bibliográfica para la obra elegida en el estilo de cita que necesites: APA, MLA, Harvard, Vancouver, Chicago, etc.
También puede descargar el texto completo de la publicación académica en formato pdf y leer en línea su resumen siempre que esté disponible en los metadatos.
Artículos de revistas sobre el tema "LSTM"
Murugesan, R., Eva Mishra y Akash Hari Krishnan. "Forecasting agricultural commodities prices using deep learning-based models: basic LSTM, bi-LSTM, stacked LSTM, CNN LSTM, and convolutional LSTM". International Journal of Sustainable Agricultural Management and Informatics 8, n.º 3 (2022): 242. http://dx.doi.org/10.1504/ijsami.2022.125757.
Texto completoKrishnan, Akash Hari, R. Murugesan y Eva Mishra. "Forecasting agricultural commodities prices using deep learning-based models: basic LSTM, bi-LSTM, stacked LSTM, CNN LSTM, and convolutional LSTM". International Journal of Sustainable Agricultural Management and Informatics 8, n.º 3 (2022): 1. http://dx.doi.org/10.1504/ijsami.2022.10048228.
Texto completoRoberg, Kevin J., Stephen Bickel, Neil Rowley y Chris A. Kaiser. "Control of Amino Acid Permease Sorting in the Late Secretory Pathway of Saccharomyces cerevisiae by SEC13, LST4, LST7 and LST78". Genetics 147, n.º 4 (1 de diciembre de 1997): 1569–84. http://dx.doi.org/10.1093/genetics/147.4.1569.
Texto completoVictor, Nancy y Daphne Lopez. "sl-LSTM". International Journal of Grid and High Performance Computing 12, n.º 3 (julio de 2020): 1–16. http://dx.doi.org/10.4018/ijghpc.2020070101.
Texto completoLiu, Zhandong, Wengang Zhou y Houqiang Li. "AB-LSTM". ACM Transactions on Multimedia Computing, Communications, and Applications 15, n.º 4 (10 de enero de 2020): 1–23. http://dx.doi.org/10.1145/3356728.
Texto completoSuebsombut, Paweena, Aicha Sekhari, Pradorn Sureephong, Abdelhak Belhi y Abdelaziz Bouras. "Field Data Forecasting Using LSTM and Bi-LSTM Approaches". Applied Sciences 11, n.º 24 (13 de diciembre de 2021): 11820. http://dx.doi.org/10.3390/app112411820.
Texto completoLiang, Xinyue. "Stock Market Prediction with RNN-LSTM and GA-LSTM". SHS Web of Conferences 196 (2024): 02006. http://dx.doi.org/10.1051/shsconf/202419602006.
Texto completoSong, Jun, Siliang Tang, Jun Xiao, Fei Wu y Zhongfei Zhang. "LSTM-in-LSTM for generating long descriptions of images". Computational Visual Media 2, n.º 4 (15 de noviembre de 2016): 379–88. http://dx.doi.org/10.1007/s41095-016-0059-z.
Texto completoNilasari, Ni Ketut Novia, Made Sudarma y Nyoman Gunantara. "Prediksi Nilai Cryptocurrency Dengan Metode Bi-LSTM dan LSTM". Majalah Ilmiah Teknologi Elektro 22, n.º 2 (19 de diciembre de 2023): 221. http://dx.doi.org/10.24843/mite.2023.v22i02.p09.
Texto completoZhang, Xinchen, Linghao Zhang, Qincheng Zhou y Xu Jin. "A Novel Bitcoin and Gold Prices Prediction Method Using an LSTM-P Neural Network Model". Computational Intelligence and Neuroscience 2022 (5 de mayo de 2022): 1–12. http://dx.doi.org/10.1155/2022/1643413.
Texto completoTesis sobre el tema "LSTM"
Edholm, Gustav y Xuechen Zuo. "A comparison between aconventional LSTM network and agrid LSTM network applied onspeech recognition". Thesis, KTH, Skolan för teknikvetenskap (SCI), 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-230173.
Texto completoFu, Reid J. "CCG Realization with LSTM Hypertagging". The Ohio State University, 2018. http://rave.ohiolink.edu/etdc/view?acc_num=osu1534236955413883.
Texto completoNordin, Stensö Isak. "Predicting Tropical Thunderstorm Trajectories Using LSTM". Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-231613.
Texto completoÅskväder är både farliga och livsviktiga bärare av vatten för stora delar av världen. Det är dock svårt att förutsäga åskcellernas banor, främst i tropiska områden. Detta beror till större delen på deras mindre storlek och kortare livslängd. Detta examensarbete undersöker hur väl ett neuralt nätverk, bestående av long short-term memory-lager (LSTM) kan förutsäga åskväders banor baserat på flera års blixtnedlslagsdata. Först klustras datan, och viktiga karaktärsdrag hämtas ut från den. Dessa används för att förutspå åskvädrens genomsnittliga position med hjälp av ett LSTMnätverk. En slumpmässig sökning genomförs sedan för att identifiera optimala parametrar för LSTM-modellen. Det fastslås att de banor som förutspås av LSTM-modellen är mycket närmare de sanna banorna, än de som förutspås av en linjär modell. Detta gäller i synnerhet för förutsägelser mer än 1 timme framåt. Värden som är vanliga för att bedöma prognosers träffsäkerhet beräknas för att jämföra LSTM-modellen och den linjära. Det visas att LSTM-modellen klart förbättrar förutsägelsernas träffsäkerhet jämfört med den linjära modellen.
Rogers, Joseph. "Effects of an LSTM Composite Prefetcher". Thesis, Uppsala universitet, Institutionen för informationsteknologi, 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-396842.
Texto completoSchelhaas, Wietze. "Predicting network performancein IoT environments using LSTM". Thesis, Uppsala universitet, Institutionen för informationsteknologi, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-454062.
Texto completoNilson, Erik y Arvid Renström. "LSTM-nätverk för generellt Atari 2600 spelande". Thesis, Högskolan i Skövde, Institutionen för informationsteknologi, 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:his:diva-17174.
Texto completoPaschou, Michail. "ASIC implementation of LSTM neural network algorithm". Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-254290.
Texto completoLSTM neurala nätverk har använts för taligenkänning, bildigenkänning och andra artificiella intelligensapplikationer i många år. De flesta applikationer utför LSTM-algoritmen och de nödvändiga beräkningarna i digitala moln. Offline lösningar inkluderar användningen av FPGA och GPU men de mest lovande lösningarna inkluderar ASIC-acceleratorer utformade för endast dettaändamål. Denna rapport presenterar en ASIC-design som kan utföra multipla iterationer av LSTM-algoritmen på en enkelriktad neural nätverksarkitetur utan peepholes. Den föreslagna designed ger aritmetrisk nivå-parallellismalternativ som block som är instansierat baserat på parametrar. Designens inre konstruktion implementerar pipelinerade, parallella, eller seriella lösningar beroende på vilket anternativ som är optimalt till alla fall. Konsekvenserna för dessa beslut diskuteras i detalj i rapporten. Designprocessen beskrivs i detalj och utvärderingen av designen presenteras också för att mäta noggrannheten och felmarginal i designutgången. Resultatet av arbetet från denna rapport är en fullständig syntetiserbar ASIC design som har implementerat ett LSTM-lager, ett fullständigt anslutet lager och ett Softmax-lager som kan utföra klassificering av data baserat på tränade viktmatriser och biasvektorer. Designen använder huvudsakligen 16bitars fast flytpunktsformat med 5 heltal och 11 fraktions bitar men ökade precisionsrepresentationer används i vissa block för att minska felmarginal. Till detta har även en verifieringsmiljö utformats som kan utföra simuleringar, utvärdera designresultatet genom att jämföra det med resultatet som produceras från att utföra samma operationer med 64-bitars flytpunktsprecision på en SystemVerilog testbänk och mäta uppstådda felmarginal. Resultaten avseende noggrannheten och designutgångens felmarginal presenteras i denna rapport.Designen gick genom Logisk och Fysisk syntes och framgångsrikt resulterade i en funktionell nätlista för varje testad konfiguration. Timing, area och effektmätningar på den genererade nätlistorna av olika konfigurationer av designen visar konsistens och rapporteras i denna rapport.
Valluru, Aravind-Deshikh. "Realization of LSTM Based Cognitive Radio Network". Thesis, University of North Texas, 2019. https://digital.library.unt.edu/ark:/67531/metadc1538697/.
Texto completoLi, Edwin. "LSTM Neural Network Models for Market Movement Prediction". Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-231627.
Texto completoAtt förstå och kunna förutsäga hur index varierar med tiden och andra parametrar är ett viktigt problem inom kapitalmarknader. Tidsserieanalys med autoregressiva metoder har funnits sedan årtionden tillbaka, och har oftast gett goda resultat. Dessa metoder saknar dock möjligheten att förklara trender och cykliska variationer i tidsserien, något som kan karaktäriseras av tidsvarierande samband, men även samband mellan parametrar som indexet beror utav. Syftet med denna studie är att undersöka om recurrent neural networks (RNN) med long short-term memory-celler (LSTM) kan användas för att fånga dessa samband, för att slutligen användas som en modell för att komplettera indexhandel. Experimenten är gjorda mot en modifierad S&P-500 datamängd, och två distinkta modeller har tagits fram. Den ena är en multivariat regressionsmodell för att förutspå exakta värden, och den andra modellen är en multivariat klassifierare som förutspår riktningen på nästa dags indexrörelse. Experimenten visar för den konfiguration som presenteras i rapporten att LSTM RNN inte passar för att förutspå exakta värden för indexet, men ger tillfredsställande resultat när modellen ska förutsäga indexets framtida riktning.
Wang, Nancy. "Spectral Portfolio Optimisation with LSTM Stock Price Prediction". Thesis, KTH, Matematisk statistik, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-273611.
Texto completoDen nobelprisvinnande moderna portföjlteorin (MPT) är utan tvekan en av de mest framgångsrika investeringsmodellerna inom finansvärlden och investeringsstrategier. MPT antar att investerarna är mindre benägna till risktagande och approximerar riskexponering med variansen av tillgångarnasränteavkastningar. Nyckeln till en lyckad portföljförvaltning är därmed goda riskestimat och goda förutsägelser av tillgångspris. Riskestimering görs vanligtvis genom traditionella prissättningsmodellerna som tillåter risken att variera i tiden, dock inte i frekvensrummet. Denna begränsning utgör bland annat ett större fel i riskestimering. För att tackla med detta har intresset för tillämpningar av spektraanalys på finansiella tidsserier ökat de senast åren. Bland annat är ett nytt tillvägagångssätt för att behandla detta den nyintroducerade spektralportföljteorin och spektralfak- tormodellen som påvisade ökad portföljenprestanda genom spektralriskskattning [1][11]. Samtidigt har prediktering av aktierpriser länge varit en stor utmaning på grund av dess icke-linjära och icke-stationära egenskaper medan maskininlärning har kunnat använts för att lösa annars omöjliga uppgifter. Färska studier har påvisat signifikant resultat i aktieprisprediktering med hjälp av artificiella LSTM neurala nätverk [6][34]. Detta arbete undersöker kombinerade effekten av dessa två framsteg i ett portföljoptimeringsproblem genom att optimera en spektral portfölj med framtida avkastningar predikterade av ett LSTM neuralt nätverk. Arbetet börjar med matematisk härledningar och teoretisk introduktion och sedan studera portföljprestation som genereras av spektra risk, LSTM aktieprispredikteringen samt en kombination av dessa två. Resultaten visar på att LSTM-predikteringen ensam presterade bättre än kombinationen, vilket i sin tur presterade bättre än enbart spektralriskskattningen.
Libros sobre el tema "LSTM"
Long, Tùng. Muot lsan lsam lzo. TP. HCM [i.e. Thành phro Hso Chí Minh]: NXB Văn nghue, 2008.
Buscar texto completoFinanzen, Austria Bundesministerium für. Lohnsteuerrichtlinien 1999: LStR 1999. 2a ed. Wien: P. Dorner, 1999.
Buscar texto completoOklahoma. Dept. of Libraries. LSTA 5-year plan, 2003-2007. Oklahoma City, OK: Oklahoma Dept. of Libraries, 2002.
Buscar texto completoLang, Trọng. Hà Nuoi lsam than: Phóng svu. Los Alamitos, CA: Xuân Thu, 1990.
Buscar texto completoCorporation, Loan Pricing. LSTA/LPC mark-to market pricing. [New York, NY]: Loan Pricing Corporation, 2005.
Buscar texto completoBambang, Ismawan, Pamuji Otok S y Bina Swadaya (Organization), eds. LSM dan program IDT. Jakarta: Bina Swadaya, 1994.
Buscar texto completoCapítulos de libros sobre el tema "LSTM"
Korstanje, Joos. "LSTM RNNs". En Advanced Forecasting with Python, 243–51. Berkeley, CA: Apress, 2021. http://dx.doi.org/10.1007/978-1-4842-7150-6_18.
Texto completoEelbode, Tom, Pieter Sinonquel, Raf Bisschops y Frederik Maes. "Convolutional LSTM". En Computer-Aided Analysis of Gastrointestinal Videos, 121–26. Cham: Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-64340-9_14.
Texto completoWang, Ximin, Luyi Huang, Junlan Zhu, Wenbo He, Zhaopeng Qin y Ming Yuan. "LSTM-Exploit: Intelligent Penetration Based on LSTM Tool". En Advances in Artificial Intelligence and Security, 84–93. Cham: Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-78615-1_8.
Texto completoManaswi, Navin Kumar. "RNN and LSTM". En Deep Learning with Applications Using Python, 115–26. Berkeley, CA: Apress, 2018. http://dx.doi.org/10.1007/978-1-4842-3516-4_9.
Texto completoAdam, Kazybek, Kamilya Smagulova y Alex Pappachen James. "Memristive LSTM Architectures". En Modeling and Optimization in Science and Technologies, 155–67. Cham: Springer International Publishing, 2019. http://dx.doi.org/10.1007/978-3-030-14524-8_12.
Texto completoYee-King, Matthew John. "JUCE LSTM plugin". En Build AI-Enhanced Audio Plugins with C++, 274–86. London: Focal Press, 2024. http://dx.doi.org/10.4324/9781003365495-37.
Texto completoTuna, Rodrigo, Yassine Baghoussi, Carlos Soares y João Mendes-Moreira. "Kernel Corrector LSTM". En Lecture Notes in Computer Science, 3–14. Cham: Springer Nature Switzerland, 2024. http://dx.doi.org/10.1007/978-3-031-58553-1_1.
Texto completoNinagawa, Chuzo. "LSTM AI Modeling". En AI Time Series Control System Modelling, 67–90. Singapore: Springer Nature Singapore, 2022. http://dx.doi.org/10.1007/978-981-19-4594-6_4.
Texto completoAl-Qerem, Ahmad, Mohammed Raja, Sameh Taqatqa y Mutaz Rsmi Abu Sara. "Utilizing Deep Learning Models (RNN, LSTM, CNN-LSTM, and Bi-LSTM) for Arabic Text Classification". En Studies in Systems, Decision and Control, 287–301. Cham: Springer Nature Switzerland, 2024. http://dx.doi.org/10.1007/978-3-031-43490-7_22.
Texto completoHuynh, Manh y Gita Alaghband. "Trajectory Prediction by Coupling Scene-LSTM with Human Movement LSTM". En Advances in Visual Computing, 244–59. Cham: Springer International Publishing, 2019. http://dx.doi.org/10.1007/978-3-030-33720-9_19.
Texto completoActas de conferencias sobre el tema "LSTM"
Togatorop, Andrew Reinhard Marulak y Mohammad Isa Irawan. "Nickel Price Prediction Using Bi-Directional LSTM (Bi-LSTM) and Attention Bi-Directional LSTM Network (At-Bi-LSTM)". En 2024 IEEE International Symposium on Consumer Technology (ISCT), 450–56. IEEE, 2024. https://doi.org/10.1109/isct62336.2024.10791230.
Texto completoOguzie, Goodluck. "Cosine-Gated LSTM". En 2024 IEEE 5th International Conference on Pattern Recognition and Machine Learning (PRML), 8–15. IEEE, 2024. https://doi.org/10.1109/prml62565.2024.10779680.
Texto completoWang, Yufei. "Stock Price Prediction Based on CNN, LSTM and CNN- LSTM Model". En International Conference on Innovations in Applied Mathematics, Physics and Astronomy, 22–30. SCITEPRESS - Science and Technology Publications, 2024. http://dx.doi.org/10.5220/0012982600004601.
Texto completoFadili, Yousra, Yassine El Yamani, Jihad Kilani, Najib El Kamoun, Youssef Baddi y Faycal Bensalah. "An Enhancing Timeseries Anomaly Detection Using LSTM and Bi-LSTM Architectures". En 2024 11th International Conference on Wireless Networks and Mobile Communications (WINCOM), 1–6. IEEE, 2024. http://dx.doi.org/10.1109/wincom62286.2024.10655101.
Texto completoÖzer, Serpil y Ümmühan Nida Erol. "Electric Vehicle Stock Price Prediction using LSTM, Bi-LSTM and GRU". En 2024 8th International Artificial Intelligence and Data Processing Symposium (IDAP), 1–7. IEEE, 2024. http://dx.doi.org/10.1109/idap64064.2024.10710919.
Texto completoAbbasi, Mahsa, Masoud Kargar, Fatemeh Ahmadian, Deniz NoormohammadZadehMaleki, Amirhossein Arandan y Nayer Seyed Hosseini. "GN-CNN-LSTM: Financial Market Prediction With Gaussian Noise Embedded CNN LSTM". En 2024 11th International Symposium on Telecommunications (IST), 287–94. IEEE, 2024. https://doi.org/10.1109/ist64061.2024.10843452.
Texto completoVaka, Srikar, M. Sudarshan Reddy y S. Nagendra Prabhu. "Hybrid Model for Cryptocurrency Price Prediction using LSTM, Bidirectional LSTM, and XGBoost". En 2024 International Conference on IoT Based Control Networks and Intelligent Systems (ICICNIS), 925–32. IEEE, 2024. https://doi.org/10.1109/icicnis64247.2024.10823223.
Texto completoMondal, Pronoy Kumar, Sadman Sadik Khan, Md Toufiq Imrog, Md Ainul Ahsan Arman, Md Muhetul Islam y Afraz Ul Haque Rupak. "Exploring Authorial Style in Bangla Literature: LSTM and Bi-LSTM -Based Author Detection". En 2024 15th International Conference on Computing Communication and Networking Technologies (ICCCNT), 1–9. IEEE, 2024. http://dx.doi.org/10.1109/icccnt61001.2024.10725023.
Texto completoHan, Khin Su Su y May Thu Myint. "A Comparative Study of LSTM, Bi-LSTM, and BERT for Automated Essay Scoring". En 2024 5th International Conference on Advanced Information Technologies (ICAIT), 1–6. IEEE, 2024. http://dx.doi.org/10.1109/icait65209.2024.10754925.
Texto completoTang, Xinxiong. "Optimizing LSTM, Bi-LSTM, and GRU Models with SSA for Daily Electricity Forecasting". En 2024 5th International Conference on Intelligent Computing and Human-Computer Interaction (ICHCI), 53–58. IEEE, 2024. https://doi.org/10.1109/ichci63580.2024.10808092.
Texto completoInformes sobre el tema "LSTM"
Cárdenas-Cárdenas, Julián Alonso, Deicy J. Cristiano-Botia y Nicolás Martínez-Cortés. Colombian inflation forecast using Long Short-Term Memory approach. Banco de la República, junio de 2023. http://dx.doi.org/10.32468/be.1241.
Texto completoMurugan, Venkatachalam y Jeyaswamidoss Jeba Emilyn. Monitoring and Forecasting of Water Quality and Fish Population Using Stacked LSTM-GRU in IOT Environment. "Prof. Marin Drinov" Publishing House of Bulgarian Academy of Sciences, octubre de 2021. http://dx.doi.org/10.7546/crabs.2021.10.13.
Texto completoFili, Mohammad. Predicting the Number of New COVID-19 Cases using an LSTM-based Model for European Countries. Ames (Iowa): Iowa State University, agosto de 2022. http://dx.doi.org/10.31274/cc-20240624-1144.
Texto completoAnkel, Victoria, Stella Pantopoulou, Matthew Weathered, Darius Lisowski, Anthonie Cilliers y Alexander Heifetz. One-Step Ahead Prediction of Thermal Mixing Tee Sensors with Long Short Term Memory (LSTM) Neural Networks. Office of Scientific and Technical Information (OSTI), diciembre de 2020. http://dx.doi.org/10.2172/1760289.
Texto completoHepworth, Nick. Reading Pack: Tackling the Global Water Crisis: The Role of Water Footprints and Water Stewardship. Institute of Development Studies (IDS), agosto de 2021. http://dx.doi.org/10.19088/k4d.2021.109.
Texto completoKumar, Kaushal y Yupeng Wei. Attention-Based Data Analytic Models for Traffic Flow Predictions. Mineta Transportation Institute, marzo de 2023. http://dx.doi.org/10.31979/mti.2023.2211.
Texto completoKuo, Meng-Hsuan, Chih-Wei Tseng, Ching-Sheng Hsu, Yen-Chun Chen, I.-Ting Kao y Chen-Yi Wu. Protocol for systematic review and meta-analysis of prognostic value of sarcopenia in advanced HCC patients treating with systemic therapy. INPLASY - International Platform of Registered Systematic Review and Meta-analysis Protocols, febrero de 2023. http://dx.doi.org/10.37766/inplasy2023.2.0011.
Texto completoWilliams, N. Characterization of LST Z Plane Signals. Office of Scientific and Technical Information (OSTI), septiembre de 2004. http://dx.doi.org/10.2172/833108.
Texto completoLee, S., B. D. Chung y H. J. Kim. RELAP5 assessment using LSTF test data SB-CL-18. Office of Scientific and Technical Information (OSTI), mayo de 1993. http://dx.doi.org/10.2172/10162957.
Texto completoPalmer, Jennifer y Diane Duclos. Key Considerations: Community-Based Surveillance in Public Health. Institute of Development Studies, mayo de 2023. http://dx.doi.org/10.19088/sshap.2023.010.
Texto completo