Giới thiệu tài liệu
Hệ thống học máy sử dụng các phương pháp Recurrent Neural Networks (RNNs) và Long Short-Term Memory (LSTM) được áp dụng để phân tích dữ liệu thời gian Global Navigation Satellite System (GNSS). Tác giả đề xuất một phương pháp mới kết hợp RNNs và LSTMs để dự đoán các dấu hiệu tỷ lệ hư hỏng GNSS. Tại trong bài viết này, tác giả chia sẻ kết quả thử nghiệm với các size batch và epochs khác nhau, cũng như so sánh hiệu suất của các hàm mất mã trung bình (MSE), Huber Loss và Cross-Entropy binary. Tác giả có thể kết luận rằng phương pháp đề xuất của họ có thể hiệu quả nắm tình huống tổng quát trong dữ liệu thời gian GNSS và tăng cao chính xác dự đoán.
Đối tượng sử dụng
doanh nghiệp, khoa học về GNSS, các đơn vị kinh doanh và nghiên cứu về phân tích dữ liệu thời gian
Nội dung tóm tắt
Truyện tranh này giới thiệu một phương pháp học máy mới để phân tích và dự đoán các dấu hiệu hư hỏng trong dữ liệu Global Navigation Satellite System (GNSS) thời gian bằng sử dụng Recurrent Neural Networks (RNNs) và Long Short-Term Memory (LSTM). Đây là một hạng mục nổi tiếng trong việc phân tích dữ liệu thời gian, và các tác giả đã áp dụng nó để phát triển một hệ thống học máy hiệu quả để dự đoán các sở thích tỷ lệ hư hỏng trong các bản thời gian GNSS. Tác giả đã chia sẻ kết quả thử nghiệm với các size batch và epochs khác nhau, cũng như so sánh hiệu suất của các hàm mất mã trung bình (MSE), Huber Loss và Cross-Entropy binary. Kết quả cho thấy rằng phương pháp đề xuất của tác giả có thể hiệu quả nắm tình huống tổng quát trong dữ liệu thời gian GNSS và tăng cao chính xác dự đoán. Tác giả cũng trình bày một số ví dụ pragmatic cũng như kết luận về cách áp dụng hệ thống học máy này trong quá trình phân tích dữ liệu GNSS.
