Two progressive improvements of Deep Learning Neural Network based on Morlet Wavelet Transforms and Long Short-Term Memory
Notice bibliographique
Résumé
Convolutional neural network (CNN) is famous deep learning method, which is good at classification, prediction etc. Problems of CNN are as follows: the accuracy, precision, recall, f1 value, epoch of training etc. of CNN cannot satisfy the requirements of applications with high performance. Main work is as follows: Firstly, Morlet Wavelet- based Convolutional Neural Network (MorletWCNN) is proposed. Rectified Linear Unit (ReLU) functions in two layers (the second convolutional layer and the second fully connected layer) of CNN are replaced by wavelet transform functions. Secondly , Morlet Wavelet- based Convolutional Neural Network- Long Short-Term Memory (MorletWCNN-LSTM) is proposed. The first layer of fully connected layers of MorletWCNN is replaced by a Long Short-Term Memory layer. Thirdly, CNN, MorletWCNN and MorletWCNN-LSTM are compared based on two different datasets (Canadian Institute for Advanced Research-10 and Canadian Institute for Advanced Research-100). The effects are as follows: Firstly, the performance is improved such as the accuracy is improved by 0.0237, the precision is improved by 0.0238, the recall is improved by 0.0239, and the F1 score is improved by 0.0238. Secondly, the efficiency of algorithm is improved such as the training epochs are reduced by 18.90%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».