Two progressive improvements of Deep Learning Neural Network based on Morlet Wavelet Transforms and Long Short-Term Memory
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle