مروری برالگوریتم حافظه کوتاه مدت طولانی و کاربردهای آن
Publish place: Electrical Asre Magazine، Vol: 8، Issue: 15
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 456
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_KEEE-8-15_003
تاریخ نمایه سازی: 20 مرداد 1400
Abstract:
شبکه های عصبی بازگشتی مدلی از روش های یادگیری عمیق است که در چند دهه گذشته موضوع بسیار پرطرفداری بوده است. شبکه های عصبی LSTM روشی جدید از پردازش اطلاعات است که به خاطر ساختار زنجیرهای که دارد بر روی داده هایی با سری زمانی فعالیت می کند که منجر به رخدادهای قدرتمندی در حوزه یادگیری عمیق می شود. اگر LSTM ویژگی مهمی در دنباله ورودی در گام های ابتدایی را تشخیص دهد، به دلیل داشتن حافظه کوتاه مدت طولانی می تواند این اطلاعات را طی مسیر طولانی منتقل کند و این گونه وابستگی های بلندمدت احتمالی را دریافت و حفظ می کند. در این مقاله سعی شده است انواع LSTM و کاربرد آنها در پردازش متن در حوزه های طبقه بندی متون و تحلیل احساسات و استخراج ویژگی بررسی شود علاوه بر این ما شناسایی اهداف آینده را مد نظر قرار داده و مسیر تحقیق آینده برجسته شده است.
Keywords:
: Deep learning , Recurrent neural network LSTM , Natural language processing , Feature extraction , یادگیری عمیق , شبکه های بازگشتی LSTM , پردازش متن , استخراج ویژگی
Authors
میترا حسینی
گروه مهندسی کامپیوتر دانشگاه آزاد اسلامی واحد مشهد
مهرداد جلالی
گروه مهندسی کامپیوتر دانشگاه آزاد اسلامی واحد مشهد
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :