Zobrazeno 1 - 10
of 41
pro vyhledávání: '"Independently recurrent neural network"'
Publikováno v:
Journal of Modern Power Systems and Clean Energy, Vol 9, Iss 5, Pp 1018-1031 (2021)
Accurate sag source location and precise sag type recognition are both essential to verifying the responsible party for the sag and taking countermeasures to improve power quality. In this paper, an attention-based independently recurrent neural netw
Externí odkaz:
https://doaj.org/article/0302587116714ebc8da461e720bcef01
Autor:
Zhonghua Hong, Ziyang Fan, Xiaohua Tong, Ruyan Zhou, Haiyan Pan, Yun Zhang, Yanling Han, Jing Wang, Shuhu Yang, Hong Wu, Jiahao Li
Publikováno v:
PeerJ Computer Science, Vol 7, p e770 (2021)
The COVID-19 pandemic is the most serious catastrophe since the Second World War. To predict the epidemic more accurately under the influence of policies, a framework based on Independently Recurrent Neural Network (IndRNN) with fine-tuning are propo
Externí odkaz:
https://doaj.org/article/29562d9c71404cce9b11fd09ac22caaf
Publikováno v:
Applied Sciences, Vol 12, Iss 7, p 3281 (2022)
Recurrent neural networks (RNNs) have been widely used to solve sequence problems due to their capability of modeling temporal dependency. Despite the rich varieties of RNN models proposed in the literature, the problem of different sampling rates or
Externí odkaz:
https://doaj.org/article/bbde980f5adb4593889232fca874601d
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Journal of Modern Power Systems and Clean Energy, Vol 9, Iss 5, Pp 1018-1031 (2021)
Accurate sag source location and precise sag type recognition are both essential to verifying the responsible party for the sag and taking countermeasures to improve power quality. In this paper, an attention-based independently recurrent neural netw
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::9d1a598ac259a675d24827cd6674deb4
https://hdl.handle.net/10356/153573
https://hdl.handle.net/10356/153573
Autor:
Yanling Han, Jing Wang, Xiaohua Tong, Jiahao Li, Hong Wu, Ziyang Fan, Yun Zhang, Haiyan Pan, Shuhu Yang, Ruyan Zhou, Zhonghua Hong
Publikováno v:
PeerJ Computer Science
PeerJ Computer Science, Vol 7, p e770 (2021)
PeerJ Computer Science, Vol 7, p e770 (2021)
The COVID-19 pandemic is the most serious catastrophe since the Second World War. To predict the epidemic more accurately under the influence of policies, a framework based on Independently Recurrent Neural Network (IndRNN) with fine-tuning are propo
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::997f993a59ac44d13c1ef87d6b35693f
http://europepmc.org/articles/PMC8592248
http://europepmc.org/articles/PMC8592248
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.