مروری برالگوریتم حافظه کوتاه مدت طولانی و کاربردهای آن
محل انتشار: فصلنامه عصر برق، دوره: 8، شماره: 15
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 470
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله 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
چکیده مقاله:
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.
کلیدواژه ها:
: Deep learning ، Recurrent neural network LSTM ، Natural language processing ، Feature extraction ، یادگیری عمیق ، شبکه های بازگشتی LSTM ، پردازش متن ، استخراج ویژگی
نویسندگان
میترا حسینی
گروه مهندسی کامپیوتر دانشگاه آزاد اسلامی واحد مشهد
مهرداد جلالی
گروه مهندسی کامپیوتر دانشگاه آزاد اسلامی واحد مشهد
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :