Login
Registrieren
Passwort zurücksetzen
Veröffentlichen & Verteilen
Verlagslösungen
Vertriebslösungen
Themen
Allgemein
Altertumswissenschaften
Architektur und Design
Bibliotheks- und Informationswissenschaft, Buchwissenschaft
Biologie
Chemie
Geowissenschaften
Geschichte
Industrielle Chemie
Informatik
Jüdische Studien
Kulturwissenschaften
Kunst
Linguistik und Semiotik
Literaturwissenschaft
Materialwissenschaft
Mathematik
Medizin
Musik
Pharmazie
Philosophie
Physik
Rechtswissenschaften
Sozialwissenschaften
Sport und Freizeit
Technik
Theologie und Religion
Wirtschaftswissenschaften
Veröffentlichungen
Zeitschriften
Bücher
Konferenzberichte
Verlage
Blog
Kontakt
Suche
EUR
USD
GBP
Deutsch
English
Deutsch
Polski
Español
Français
Italiano
Warenkorb
Home
Zeitschriften
International Journal of Advanced Network, Monitoring and Controls
Band 8 (2023): Heft 1 (January 2023)
Uneingeschränkter Zugang
Real-time Satellite Anomaly Data Tagging Based on DAE-LSTM
Caiyuan Xia
Caiyuan Xia
und
Qianshi Yan
Qianshi Yan
| 31. Mai 2023
International Journal of Advanced Network, Monitoring and Controls
Band 8 (2023): Heft 1 (January 2023)
Über diesen Artikel
Vorheriger Artikel
Nächster Artikel
Zusammenfassung
Artikel
Figuren und Tabellen
Referenzen
Autoren
Artikel in dieser Ausgabe
Vorschau
PDF
Zitieren
Teilen
Online veröffentlicht:
31. Mai 2023
Seitenbereich:
40 - 49
DOI:
https://doi.org/10.2478/ijanmc-2023-0044
Schlüsselwörter
LSTM Network
,
Self Coding Technology
,
Satellite Data
,
Deep Learning
© 2023 Caiyuan Xia et al., published by Sciendo
This work is licensed under the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Figer 1.
LSTM unit
Figer 2.
Self-coding network structure
Figer 3.
Program structure diagram
Figer 4.
Effect of the number of neurons on the accuracy of the model
Figer 5.
Effect of the number of network layers on the accuracy of the model
Figer 6.
Effect of time window length on accuracy rate
Figer 7.
Difference statistics
Figer 8.
Program execution proces
Figer 9.
Relationship between training volume and accuracy rate
Figer 10.
Experimental results