Cnn Bilstm
PulseAugur coverage of Cnn Bilstm — every cluster mentioning Cnn Bilstm across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新型DSTNet模型推动因果多步金融预测发展
研究人员开发了DSTNet，一种新颖的动态谱轨迹网络，用于因果多步金融预测。与传统的基于小波的方法不同，DSTNet利用滤波器组幅度的近期演变作为动态谱轨迹，并结合了因果滤波器组和明确的预燃期。该网络采用因子化尺度-时间谱Transformer进行注意力机制，并使用CNN-BiLSTM融合谱分支，使其能够一次性生成一天、三天、五天和十天的预测。在股票指数和黄金上的评估表明，DSTNet在平均绝对误差（MAE）和平均绝对百分比误差（MA…
-
机器学习辅助毫米波贴片天线的逆向设计
研究人员开发了一个用于设计像素化毫米波贴片天线的机器学习框架。该系统使用XGBoost分类器在模拟前过滤掉非谐振天线模式，提高了效率。然后，一个混合CNN-BiLSTM模型预测天线的响应，并且一个逆向设计模型生成像素模式以满足特定的S11规范，展示了自动天线设计能力。
-
深度学习利用最少IMU数据估算帕金森步态力
研究人员开发了一种新颖的深度学习框架，利用最少数量的可穿戴惯性测量单元（IMU）来估算帕金森病（PD）患者的地面反作用力（GRFs）。该方法旨在为传统的基于实验室的步态分析提供一种更实用、更易于获取的替代方案。研究发现，混合CNN-BiLSTM模型在估算垂直GRFs方面取得了高精度，最佳传感器位置在帕金森病患者和健康对照者之间有所不同。仅使用两个IMU的配置足以对帕金森病患者进行稳健估算，为临床评估和远程监测提供了可扩展的解决方案。
-
CNN-BiLSTM 在印尼推特仇恨言论检测中优于 AutoML
本文比较了 PyCaret AutoML 和 CNN-BiLSTM 模型在检测印尼推特上的仇恨言论。CNN-BiLSTM 模型取得了优越的性能，准确率为 83.8%，F1 分数为 81.2%，优于 PyCaret 中最好的传统模型 Random Forest，其准确率为 77.2%，F1 分数为 77.0%。研究强调，虽然 PyCaret 对传统基准测试有效，但神经网络方法因其捕捉细微语言模式的能力而更适合此特定任务。
-
深度学习框架预测4G网络的自适应告警阈值
研究人员开发了一个深度学习框架，用于自动预测4G移动网络的告警阈值，旨在提高服务质量并减少不必要的工程师出勤。所提出的PCTN模型通过使用显著更少的参数并实现关键目标上的更高准确性，优于包括iTransformer在内的现有方法。该框架提供可解释的输出，允许运营商在不重新训练的情况下检查和调整学习到的策略，并设计为每日重新训练以适应不断变化的網絡状况。