شبكات LSTM بالكامل للتصنيف الزمني للسلسلة الزمنية

تم إثبات أن الشبكات العصبية المكتملة التلافيفية (FCN) تحقق أداءً متميزًا في مهمة تصنيف سلاسل البيانات الزمنية. نقترح تعزيز الشبكات العصبية المكتملة التلافيفية بوحدات فرعية من الشبكات العصبية المتكررة ذات الذاكرة طويلة الأجل وقصيرة الأجل (LSTM RNN) لتصنيف سلاسل البيانات الزمنية. تحسن النماذج المقترحة بشكل كبير من أداء الشبكات العصبية المكتملة التلافيفية مع زيادة طفيفة في حجم النموذج وتتطلب معالجة أولية قليلة للبيانات. يحقق النموذج المقترح ذو الذاكرة طويلة الأجل وقصيرة الأجل والشبكة التلافيفية المكتملة (LSTM-FCN) أداءً متميزًا مقارنة بالآخرين. كما نستكشف استخدام آلية الانتباه لتحسين تصنيف سلاسل البيانات الزمنية باستخدام نموذج الانتباه ذو الذاكرة طويلة الأجل وقصيرة الأجل والشبكة التلافيفية المكتملة (ALSTM-FCN). استخدم آلية الانتباه يسمح بتوضيح عملية اتخاذ القرار في خلية LSTM. بالإضافة إلى ذلك، نقترح ضبط الدقة كطريقة لتعزيز أداء النماذج المدربة. يتم تقديم تحليل شامل لأداء نموذجنا ويقارن ب remaining techniques.请注意，最后一句中的 "remaining techniques" 没有翻译，因为原文中没有提供具体的其他技术名称。如果需要更具体的翻译，请提供这些技术的名称。以下是修正后的句子：يتم تقديم تحليل شامل لأداء نموذجنا ويقارن بالتقنيات الأخرى.