Propuesta de modelo de memoria a largo plazo con múltiples hilos para mejorar la predicción y clasificación de mediciones sensoriales
Autores: Kontogiannis, Sotirios; Kokkonis, George; Pikridas, Christos
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Propuesta de modelo de memoria a largo plazo con múltiples hilos para mejorar la predicción y clasificación de mediciones sensoriales
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Aprendizaje profundo
Modelo LSTM
Redes neuronales recurrentes
Clasificación
Pronóstico
Resultados experimentales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
Este documento presenta un nuevo modelo de aprendizaje profundo llamado el Stranded Long Short-Term Memory. El modelo utiliza redes neuronales recurrentes LSTM arbitrarias de profundidades de celda variables organizadas en clases. El modelo propuesto puede adaptarse a la clasificación de emergencias en diferentes intervalos o proporcionar predicciones de medidas utilizando series de datos sensoriales anotadas por clase o desplazadas en el tiempo. Para superar las clasificaciones o pronósticos del modelo LSTM ordinario minimizando las pérdidas, el LSTM varado mantiene tres estrategias de peso diferentes que pueden ser seleccionadas arbitrariamente antes del entrenamiento del modelo, como sigue: menor pérdida, menor pérdida ponderada y menor pérdida difusa en la selección del modelo LSTM y en el proceso de inferencia. El modelo ha sido probado contra modelos LSTM para pronósticos y clasificaciones, utilizando una serie temporal de medidas de temperatura y humedad tomadas de estaciones meteorológicas y medidas de temperatura anotadas por clase de compresores industriales correspondientemente. De los resultados experimentales de clasificación, el modelo LSTM varado superó en un 0,9-2,3% a los modelos LSTM que llevan células LSTM apiladas en doble en términos de precisión. En cuanto a los resultados experimentales de pronóstico, las estrategias de agregación de pronóstico ponderadas y de menor pérdida difusa tuvieron un rendimiento 5-7% mejor, con menos pérdida, utilizando las cadenas de modelos LSTM seleccionadas respaldadas por la estrategia de menor pérdida del modelo.
Descripción
Este documento presenta un nuevo modelo de aprendizaje profundo llamado el Stranded Long Short-Term Memory. El modelo utiliza redes neuronales recurrentes LSTM arbitrarias de profundidades de celda variables organizadas en clases. El modelo propuesto puede adaptarse a la clasificación de emergencias en diferentes intervalos o proporcionar predicciones de medidas utilizando series de datos sensoriales anotadas por clase o desplazadas en el tiempo. Para superar las clasificaciones o pronósticos del modelo LSTM ordinario minimizando las pérdidas, el LSTM varado mantiene tres estrategias de peso diferentes que pueden ser seleccionadas arbitrariamente antes del entrenamiento del modelo, como sigue: menor pérdida, menor pérdida ponderada y menor pérdida difusa en la selección del modelo LSTM y en el proceso de inferencia. El modelo ha sido probado contra modelos LSTM para pronósticos y clasificaciones, utilizando una serie temporal de medidas de temperatura y humedad tomadas de estaciones meteorológicas y medidas de temperatura anotadas por clase de compresores industriales correspondientemente. De los resultados experimentales de clasificación, el modelo LSTM varado superó en un 0,9-2,3% a los modelos LSTM que llevan células LSTM apiladas en doble en términos de precisión. En cuanto a los resultados experimentales de pronóstico, las estrategias de agregación de pronóstico ponderadas y de menor pérdida difusa tuvieron un rendimiento 5-7% mejor, con menos pérdida, utilizando las cadenas de modelos LSTM seleccionadas respaldadas por la estrategia de menor pérdida del modelo.