Қазақ ұлттық қыздар педагогикалық университеті / Казахский национальный женский педагогический университет

Постоянный URI для этого сообществаhttps://cris.qyzpu.kz/handle/123456789/1

Просмотр

Фильтры

2023 - 20252

Настройки

Тип доступа: НеизвестноТема: search.filters.subject.recurrent neural networks

Результаты поиска

Показано: 1 - 2 из 2
  • Загрузка...
    Изображение-миниатюра
    Некоторые метрики заблокированы вашими 
    настройками согласия
    Тип записи:Публикация,
    Automatic Classification of Scanned Electronic University Documents using Deep Neural Networks with Conv2D Layers
    (Science and Information Organization, 2023-01-01)
    Aigerim S. Baimakhanova
    ;
    Аinur Zhumadillayeva
    ;
    Sailaugul Avdarsol
    ;
    Yermakhan Zhabayev
    ;
    Makhabbat Revshenova
    This paper proposes a novel approach for scanned document categorization using a deep neural network architecture. The proposed approach leverages the strengths of both convolutional neural networks (CNNs) and recurrent neural networks (RNNs) to extract features from the scanned documents and model the dependencies between words in the documents. The pre-processed documents are first fed into a CNN, which learns and extracts features from the images. The extracted features are then passed through an RNN, which models the sequential nature of the text. The RNN produces a probability distribution over the predefined categories, and the document is classified into the category with the highest probability. The proposed approach is evaluated on a dataset of scanned documents, where each document is categorized into one of four predefined categories. The experimental results demonstrate that the proposed approach achieves high accuracy and outperforms existing methods. The proposed approach achieves an overall accuracy of 97.3%, which is significantly higher than the existing methods' accuracy. Additionally, the proposed approach's performance was robust to variations in the quality of the scanned documents and the OCR accuracy. The contributions of this paper are twofold. Firstly, it proposes a novel approach for scanned document categorization using deep neural networks that leverages the strengths of CNNs and RNNs. Secondly; it demonstrates the effectiveness of the proposed approach on a dataset of scanned documents, highlighting its potential applications in various domains, such as information retrieval, data mining, and document management. The proposed approach can help organizations manage and analyze large volumes of data efficiently.
    Цитирования (OpenAlex) 2Цитирования (OpenCitations) 1
  • Загрузка...
    Изображение-миниатюра
    Некоторые метрики заблокированы вашими 
    настройками согласия
    Тип записи:Публикация,
    МЕТОДЫ И МОДЕЛИ ДЛЯ ПРОГНОЗИРОВАНИЯ ВРЕМЕНИ В ПУТИ ОБЩЕСТВЕННОГО ТРАНСПОРТА
    (Mukhametzhan Tynyshbayev ALT University, 2025-10-10)
    Saltanat Amirgalieva
    ;
    Аземша Сергей Александрович
    ;
    Перизат Омарова
    ;
    Timur Merembayev
    ;
    Гүлайым Баекова
    Развитие интеллектуальных транспортных систем невозможно без использования методов прогнозирования, которые способны учитывать пространственно-временную структуру городской транспортной сети и эффективно работать с неполными и неточными данными. Эта задача особенно актуальна для городов Казахстана, где уровень цифровизации общественного транспорта значительно различается. Существующие системы мониторинга, как правило, предназначены только для сбора и визуализации данных, без возможности их интеллектуального анализа. В данной статье представлен глубокий обзор и методологический анализ современных подходов к прогнозированию времени в пути общественного транспорта. Особое внимание уделяется статистическим методам, алгоритмам машинного обучения, рекуррентным нейронным сетям и пространственно-временным графовым нейронным моделям. ыло выявлено, что классические регрессионные и временные модели не всегда обеспечивают достаточную точность прогнозирования, особенно в условиях нелинейной динамики транспортных процессов и высокой изменчивости дорожной обстановки. Однако методы глубокого обучения могут значительно повысить точность прогнозирования, особенно при наличии большого объема исторических данных. Однако их эффективность значительно снижается в условиях редких наблюдений и изменений в маршрутной структуре. Анализ современных исследований показал, что применение пространственно-временных графовых нейронных сетей является эффективным инструментом для прогнозирования времени в пути общественного транспорта. Эти сети способны учитывать топологию транспортной сети и взаимодействие между различными сегментами маршрутов, что позволяет более точно предсказывать время прибытия. В ходе исследования был разработан комплексный подход к прогнозированию времени в пути общественного транспорта, включающий в себя графовое представление транспортной сети, использование механизмов внимания и гибридное временное моделирование. Этот подход учитывает ключевые требования, необходимые для практического применения интеллектуальных моделей в условиях ограниченной цифровизации: устойчивость к пропускам данных, возможность переноса на новые маршруты и вычислительная эффективность. Полученные результаты открывают путь к экспериментальной апробации и внедрению интеллектуальных методов прогнозирования в системы диспетчеризации общественного транспорта, что значительно повысит эффективность и комфорт для пассажиров.