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
-
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。