Одне узагальнення LSTM-нейронних мереж
Основна мета публікації — розробка узагальненої LSTM-нейронної мережі з урахуванням передісторії скінченної глибини. Більшість робіт з даного напрямку присвячено багатопотоковим узагальненням з наявністю кореляції між потоками, тобто розглядається розширення LSTM-моделі в ширину аналогічно до панель...
Збережено в:
| Опубліковано в: : | Проблеми керування та інформатики |
|---|---|
| Дата: | 2023 |
| Автори: | , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2023
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/211053 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Одне узагальнення LSTM-нейронних мереж / М.Я. Кушнір, К.А. Токарєва // Проблеми керування та інформатики. — 2023. — № 4. — С. 111-118. — Бібліогр.: 20 назв. — укр. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1862631852626411520 |
|---|---|
| author | Кушнір, М.Я. Токарєва, К.А. |
| author_facet | Кушнір, М.Я. Токарєва, К.А. |
| citation_txt | Одне узагальнення LSTM-нейронних мереж / М.Я. Кушнір, К.А. Токарєва // Проблеми керування та інформатики. — 2023. — № 4. — С. 111-118. — Бібліогр.: 20 назв. — укр. |
| collection | DSpace DC |
| container_title | Проблеми керування та інформатики |
| description | Основна мета публікації — розробка узагальненої LSTM-нейронної мережі з урахуванням передісторії скінченної глибини. Більшість робіт з даного напрямку присвячено багатопотоковим узагальненням з наявністю кореляції між потоками, тобто розглядається розширення LSTM-моделі в ширину аналогічно до панельних даних у часових рядах. Проводиться розширення моделі в глибину, що дозволить враховувати періодичні компоненти часових рядів та інші детерміновані складові процесу, тобто без передобробки даних. Як показано в прикладі, розробка даної моделі дозволяє розширити використання класичних LSTM-мереж на динамічні системи з чітко вираженою періодичною складовою.
The main goal of the publication is the development of a generalized LSTM neural network considering the finite depth of history. Most works in this area are dedicated to multi-stream generalizations with correlations between streams, meaning the extension of the LSTM model in width, similar to panel data in time series. The model is extended in depth, allowing the consideration of periodic components of time series and other deterministic components of the process, i.e., without data preprocessing. As demonstrated in the example, the development of this model expands the use of classical LSTM networks to dynamic systems with a clearly defined periodic component.
|
| first_indexed | 2026-03-14T19:33:23Z |
| format | Article |
| fulltext | |
| id | nasplib_isofts_kiev_ua-123456789-211053 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0572-2691 |
| language | Ukrainian |
| last_indexed | 2026-03-14T19:33:23Z |
| publishDate | 2023 |
| publisher | Інститут кібернетики ім. В.М. Глушкова НАН України |
| record_format | dspace |
| spelling | Кушнір, М.Я. Токарєва, К.А. 2025-12-23T03:46:48Z 2023 Одне узагальнення LSTM-нейронних мереж / М.Я. Кушнір, К.А. Токарєва // Проблеми керування та інформатики. — 2023. — № 4. — С. 111-118. — Бібліогр.: 20 назв. — укр. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/211053 004.852, 519.246. 10.34229/1028-0979-2023-4-10 Основна мета публікації — розробка узагальненої LSTM-нейронної мережі з урахуванням передісторії скінченної глибини. Більшість робіт з даного напрямку присвячено багатопотоковим узагальненням з наявністю кореляції між потоками, тобто розглядається розширення LSTM-моделі в ширину аналогічно до панельних даних у часових рядах. Проводиться розширення моделі в глибину, що дозволить враховувати періодичні компоненти часових рядів та інші детерміновані складові процесу, тобто без передобробки даних. Як показано в прикладі, розробка даної моделі дозволяє розширити використання класичних LSTM-мереж на динамічні системи з чітко вираженою періодичною складовою. The main goal of the publication is the development of a generalized LSTM neural network considering the finite depth of history. Most works in this area are dedicated to multi-stream generalizations with correlations between streams, meaning the extension of the LSTM model in width, similar to panel data in time series. The model is extended in depth, allowing the consideration of periodic components of time series and other deterministic components of the process, i.e., without data preprocessing. As demonstrated in the example, the development of this model expands the use of classical LSTM networks to dynamic systems with a clearly defined periodic component. uk Інститут кібернетики ім. В.М. Глушкова НАН України Проблеми керування та інформатики Керування в технічних, економічних та біологічних системах Одне узагальнення LSTM-нейронних мереж One generalization of LSTM neuron networks Article published earlier |
| spellingShingle | Одне узагальнення LSTM-нейронних мереж Кушнір, М.Я. Токарєва, К.А. Керування в технічних, економічних та біологічних системах |
| title | Одне узагальнення LSTM-нейронних мереж |
| title_alt | One generalization of LSTM neuron networks |
| title_full | Одне узагальнення LSTM-нейронних мереж |
| title_fullStr | Одне узагальнення LSTM-нейронних мереж |
| title_full_unstemmed | Одне узагальнення LSTM-нейронних мереж |
| title_short | Одне узагальнення LSTM-нейронних мереж |
| title_sort | одне узагальнення lstm-нейронних мереж |
| topic | Керування в технічних, економічних та біологічних системах |
| topic_facet | Керування в технічних, економічних та біологічних системах |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/211053 |
| work_keys_str_mv | AT kušnírmâ odneuzagalʹnennâlstmneironnihmerež AT tokarêvaka odneuzagalʹnennâlstmneironnihmerež AT kušnírmâ onegeneralizationoflstmneuronnetworks AT tokarêvaka onegeneralizationoflstmneuronnetworks |