Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: metoda wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Research on the influence of external search strategy on enterprise innovation

Li Zhengrui, Zhang Kaiyun, Dang Jian, Zheng Siqi, Wang Rui, Wang Zerui

Ecological Chemistry and Engineering. S

2023

Vol. 30, nr 1

111--116

Based on the matching perspective, an analytical framework including external search strategy, organisational improvisation and structural flexibility is established. The purpose of this study is to explore the influence of external search strategy on firm innovation. The results show that, first, market information search has a positive impact on innovation quality and innovation speed. Secondly, the influence of technical knowledge search on innovation quality is moderated by organisational improvisation and structural flexibility. Thirdly, technical knowledge search has a positive impact on the innovation quality of enterprises. Fourthly, technical knowledge search has a positive impact on the innovation speed of enterprises.

Comparison of optimization algorithms of connectionist temporal classifier for speech recognition system

Amirgaliyev Yedilkhan, Darkhan Kuanyshbay, Shoiynbek Aisultan

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2019

T. 9, nr 3

54--57

This paper evaluates and compares the performances of three well-known optimization algorithms (Adagrad, Adam, Momentum) for faster training the neural network of CTC algorithm for speech recognition. For CTC algorithms recurrent neural network has been used, specifically Long- Short-Term memory. LSTM is effective and often used model. Data has been downloaded from VCTK corpus of Edinburgh University. The results of optimization algorithms have been evaluated by the Label error rate and CTC loss.

W artykule dokonano oceny i porównania wydajności trzech znanych algorytmów optymalizacyjnych (Adagrad, Adam, Momentum) w celu przyspieszenia treningu sieci neuronowej algorytmu CTC do rozpoznawania mowy. Dla algorytmów CTC wykorzystano rekurencyjną sieć neuronową, w szczególności LSTM, która jest efektywnym i często używanym modelem. Dane zostały pobrane z wydziału VCTK Uniwersytetu w Edynburgu. Wyniki algorytmów optymalizacyjnych zostały ocenione na podstawie wskaźników Label error i CTC loss.