Key points are not available for this paper at this time.
इस पेपर के पहले भाग में, एक नियमित पुनरावर्ती तंत्रिका नेटवर्क (RNN) को द्विदिश पुनरावर्ती तंत्रिका नेटवर्क (BRNN) में विस्तारित किया गया है। BRNN को पूर्व निर्धारित भविष्य के फ्रेम तक इनपुट जानकारी का उपयोग करने की सीमा के बिना प्रशिक्षित किया जा सकता है। यह इसे सकारात्मक और नकारात्मक समय दिशा में एक साथ प्रशिक्षण देकर पूरा किया जाता है। प्रस्तावित नेटवर्क की संरचना और प्रशिक्षण प्रक्रिया समझाई गई है। कृत्रिम डेटा पर प्रतिगमन और वर्गीकरण प्रयोगों में, प्रस्तावित संरचना अन्य विधियों की तुलना में बेहतर परिणाम देती है। वास्तविक डेटा के लिए, TIMIT डेटाबेस से फोनिम के वर्गीकरण प्रयोगों में वही प्रवृत्ति दिखाई देती है। पेपर के दूसरे भाग में, दिखाया गया है कि प्रस्तावित द्विदिश संरचना को कैसे आसानी से संशोधित किया जा सकता है ताकि पूरी प्रतीक अनुक्रमों की सशर्त पश्चात संभावना का कुशल अनुमान लगाया जा सके बिना वितरण के आकार के बारे में कोई स्पष्ट पूर्वानुमान लगाए। इस भाग के लिए, वास्तविक डेटा पर प्रयोग रिपोर्ट किए गए हैं।
Building similarity graph...
Analyzing shared references across papers
Loading...
Mike Schuster
Kuldip K. Paliwal
IEEE Transactions on Signal Processing
Advanced Telecommunications Research Institute International
Building similarity graph...
Analyzing shared references across papers
Loading...
Schuster et al. (Wed,) ने इस प्रश्न का अध्ययन किया।
www.synapsesocial.com/papers/696402a893519ba8671d0495 — DOI: https://doi.org/10.1109/78.650093
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: