id	sid	tid	token	lemma	pos
ijassa-503	1	1	adv	adv	PROPN
ijassa-503	1	2	syst	syst	PROPN
ijassa-503	1	3	sci	sci	PROPN
ijassa-503	1	4	appl	appl	PROPN
ijassa-503	1	5	2017	2017	NUM
ijassa-503	1	6	;	;	PUNCT
ijassa-503	1	7	3:42–48	3:42–48	NUM
ijassa-503	1	8	published	publish	VERB
ijassa-503	1	9	online	online	ADV
ijassa-503	1	10	at	at	ADP
ijassa-503	1	11	http://ijassa.ipu.ru/ojs/ijassa/article/view/503	http://ijassa.ipu.ru/ojs/ijassa/article/view/503	ADJ
ijassa-503	1	12	interval	interval	NOUN
ijassa-503	1	13	-	-	PUNCT
ijassa-503	1	14	valued	value	VERB
ijassa-503	1	15	data	data	NOUN
ijassa-503	1	16	forecasting	forecasting	NOUN
ijassa-503	1	17	using	use	VERB
ijassa-503	1	18	dual	dual	ADJ
ijassa-503	1	19	-	-	PUNCT
ijassa-503	1	20	parametric	parametric	ADJ
ijassa-503	1	21	neural	neural	ADJ
ijassa-503	1	22	networks	network	NOUN
ijassa-503	1	23	yuliya	yuliya	PROPN
ijassa-503	1	24	.	.	PUNCT
ijassa-503	2	1	e.	e.	PROPN
ijassa-503	2	2	polozova1	polozova1	PROPN
ijassa-503	2	3	,	,	PUNCT
ijassa-503	2	4	pavel	pavel	PROPN
ijassa-503	2	5	.	.	PUNCT
ijassa-503	3	1	v.	v.	CCONJ
ijassa-503	3	2	saraev1	saraev1	PROPN
ijassa-503	4	1	1lipetsk	1lipetsk	NUM
ijassa-503	4	2	state	state	PROPN
ijassa-503	4	3	technical	technical	ADJ
ijassa-503	4	4	university	university	NOUN
ijassa-503	4	5	,	,	PUNCT
ijassa-503	4	6	lipetsk	lipetsk	ADV
ijassa-503	4	7	,	,	PUNCT
ijassa-503	4	8	russia	russia	PROPN
ijassa-503	4	9	abstract	abstract	NOUN
ijassa-503	4	10	:	:	PUNCT
ijassa-503	4	11	this	this	DET
ijassa-503	4	12	study	study	NOUN
ijassa-503	4	13	is	be	AUX
ijassa-503	4	14	focused	focus	VERB
ijassa-503	4	15	on	on	ADP
ijassa-503	4	16	the	the	DET
ijassa-503	4	17	approach	approach	NOUN
ijassa-503	4	18	to	to	ADP
ijassa-503	4	19	modelling	modelling	NOUN
ijassa-503	4	20	and	and	CCONJ
ijassa-503	4	21	forecasting	forecasting	NOUN
ijassa-503	4	22	interval	interval	NOUN
ijassa-503	4	23	-	-	PUNCT
ijassa-503	4	24	valued	value	VERB
ijassa-503	4	25	data	datum	NOUN
ijassa-503	4	26	using	use	VERB
ijassa-503	4	27	a	a	DET
ijassa-503	4	28	dual	dual	ADJ
ijassa-503	4	29	-	-	PUNCT
ijassa-503	4	30	parametric	parametric	ADJ
ijassa-503	4	31	neural	neural	ADJ
ijassa-503	4	32	network	network	NOUN
ijassa-503	4	33	(	(	PUNCT
ijassa-503	4	34	dpnn	dpnn	NOUN
ijassa-503	4	35	)	)	PUNCT
ijassa-503	4	36	.	.	PUNCT
ijassa-503	5	1	this	this	DET
ijassa-503	5	2	concept	concept	NOUN
ijassa-503	5	3	was	be	AUX
ijassa-503	5	4	proposed	propose	VERB
ijassa-503	5	5	as	as	ADP
ijassa-503	5	6	a	a	DET
ijassa-503	5	7	subclass	subclass	NOUN
ijassa-503	5	8	of	of	ADP
ijassa-503	5	9	interval	interval	NOUN
ijassa-503	5	10	neural	neural	ADJ
ijassa-503	5	11	networks	network	NOUN
ijassa-503	5	12	that	that	PRON
ijassa-503	5	13	contains	contain	VERB
ijassa-503	5	14	two	two	NUM
ijassa-503	5	15	types	type	NOUN
ijassa-503	5	16	of	of	ADP
ijassa-503	5	17	parameters	parameter	NOUN
ijassa-503	5	18	:	:	PUNCT
ijassa-503	5	19	real	real	ADJ
ijassa-503	5	20	and	and	CCONJ
ijassa-503	5	21	interval	interval	NOUN
ijassa-503	5	22	ones	one	NOUN
ijassa-503	5	23	.	.	PUNCT
ijassa-503	6	1	this	this	DET
ijassa-503	6	2	approach	approach	NOUN
ijassa-503	6	3	makes	make	VERB
ijassa-503	6	4	it	it	PRON
ijassa-503	6	5	possible	possible	ADJ
ijassa-503	6	6	to	to	PART
ijassa-503	6	7	get	get	VERB
ijassa-503	6	8	guaranteed	guarantee	VERB
ijassa-503	6	9	inclusion	inclusion	NOUN
ijassa-503	6	10	of	of	ADP
ijassa-503	6	11	an	an	DET
ijassa-503	6	12	exact	exact	ADJ
ijassa-503	6	13	(	(	PUNCT
ijassa-503	6	14	single	single	ADJ
ijassa-503	6	15	value	value	NOUN
ijassa-503	6	16	)	)	PUNCT
ijassa-503	6	17	solution	solution	NOUN
ijassa-503	6	18	into	into	ADP
ijassa-503	6	19	interval	interval	NOUN
ijassa-503	6	20	calculation	calculation	NOUN
ijassa-503	6	21	results	result	NOUN
ijassa-503	6	22	.	.	PUNCT
ijassa-503	7	1	in	in	ADP
ijassa-503	7	2	this	this	DET
ijassa-503	7	3	paper	paper	NOUN
ijassa-503	7	4	we	we	PRON
ijassa-503	7	5	intend	intend	VERB
ijassa-503	7	6	to	to	PART
ijassa-503	7	7	give	give	VERB
ijassa-503	7	8	a	a	DET
ijassa-503	7	9	theoretical	theoretical	ADJ
ijassa-503	7	10	overview	overview	NOUN
ijassa-503	7	11	of	of	ADP
ijassa-503	7	12	previous	previous	ADJ
ijassa-503	7	13	research	research	NOUN
ijassa-503	7	14	on	on	ADP
ijassa-503	7	15	the	the	DET
ijassa-503	7	16	subject	subject	NOUN
ijassa-503	7	17	and	and	CCONJ
ijassa-503	7	18	description	description	NOUN
ijassa-503	7	19	of	of	ADP
ijassa-503	7	20	the	the	DET
ijassa-503	7	21	new	new	ADJ
ijassa-503	7	22	developed	develop	VERB
ijassa-503	7	23	methods	method	NOUN
ijassa-503	7	24	and	and	CCONJ
ijassa-503	7	25	algorithms	algorithm	NOUN
ijassa-503	7	26	for	for	ADP
ijassa-503	7	27	learning	learn	VERB
ijassa-503	7	28	dpnn	dpnn	NOUN
ijassa-503	7	29	.	.	PUNCT
ijassa-503	8	1	the	the	DET
ijassa-503	8	2	experiments	experiment	NOUN
ijassa-503	8	3	demonstrate	demonstrate	VERB
ijassa-503	8	4	that	that	SCONJ
ijassa-503	8	5	interval	interval	NOUN
ijassa-503	8	6	calculation	calculation	NOUN
ijassa-503	8	7	results	result	NOUN
ijassa-503	8	8	obtained	obtain	VERB
ijassa-503	8	9	by	by	ADP
ijassa-503	8	10	using	use	VERB
ijassa-503	8	11	the	the	DET
ijassa-503	8	12	proposed	propose	VERB
ijassa-503	8	13	approach	approach	NOUN
ijassa-503	8	14	include	include	VERB
ijassa-503	8	15	of	of	ADP
ijassa-503	8	16	exact	exact	ADJ
ijassa-503	8	17	solution	solution	NOUN
ijassa-503	8	18	at	at	ADP
ijassa-503	8	19	least	least	ADJ
ijassa-503	8	20	in	in	ADP
ijassa-503	8	21	60	60	NUM
ijassa-503	8	22	%	%	NOUN
ijassa-503	8	23	of	of	ADP
ijassa-503	8	24	cases	case	NOUN
ijassa-503	8	25	.	.	PUNCT
ijassa-503	9	1	keywords	keyword	NOUN
ijassa-503	9	2	:	:	PUNCT
ijassa-503	9	3	interval	interval	NOUN
ijassa-503	9	4	neural	neural	ADJ
ijassa-503	9	5	network	network	NOUN
ijassa-503	9	6	,	,	PUNCT
ijassa-503	9	7	forecasting	forecasting	NOUN
ijassa-503	9	8	,	,	PUNCT
ijassa-503	9	9	dual	dual	ADJ
ijassa-503	9	10	-	-	PUNCT
ijassa-503	9	11	parametric	parametric	ADJ
ijassa-503	9	12	neural	neural	ADJ
ijassa-503	9	13	network	network	NOUN
ijassa-503	9	14	,	,	PUNCT
ijassa-503	9	15	intervalvalued	intervalvalue	VERB
ijassa-503	9	16	data	datum	NOUN
ijassa-503	9	17	,	,	PUNCT
ijassa-503	9	18	parametric	parametric	ADJ
ijassa-503	9	19	identification	identification	NOUN
ijassa-503	9	20	1	1	NUM
ijassa-503	9	21	.	.	PUNCT
ijassa-503	9	22	introduction	introduction	NOUN
ijassa-503	9	23	today	today	NOUN
ijassa-503	9	24	neural	neural	ADJ
ijassa-503	9	25	networks	network	NOUN
ijassa-503	9	26	are	be	AUX
ijassa-503	9	27	successfully	successfully	ADV
ijassa-503	9	28	applied	apply	VERB
ijassa-503	9	29	to	to	ADP
ijassa-503	9	30	many	many	ADJ
ijassa-503	9	31	different	different	ADJ
ijassa-503	9	32	problems	problem	NOUN
ijassa-503	9	33	,	,	PUNCT
ijassa-503	9	34	particularly	particularly	ADV
ijassa-503	9	35	time	time	NOUN
ijassa-503	9	36	series	series	PROPN
ijassa-503	9	37	data	data	PROPN
ijassa-503	9	38	forecasting	forecasting	NOUN
ijassa-503	9	39	.	.	PUNCT
ijassa-503	10	1	these	these	DET
ijassa-503	10	2	applications	application	NOUN
ijassa-503	10	3	usually	usually	ADV
ijassa-503	10	4	use	use	VERB
ijassa-503	10	5	sets	set	NOUN
ijassa-503	10	6	of	of	ADP
ijassa-503	10	7	single	single	ADJ
ijassa-503	10	8	point	point	NOUN
ijassa-503	10	9	values	value	NOUN
ijassa-503	10	10	as	as	ADP
ijassa-503	10	11	input	input	NOUN
ijassa-503	10	12	and	and	CCONJ
ijassa-503	10	13	output	output	NOUN
ijassa-503	10	14	data	datum	NOUN
ijassa-503	10	15	.	.	PUNCT
ijassa-503	11	1	but	but	CCONJ
ijassa-503	11	2	in	in	ADP
ijassa-503	11	3	many	many	ADJ
ijassa-503	11	4	applications	application	NOUN
ijassa-503	11	5	it	it	PRON
ijassa-503	11	6	is	be	AUX
ijassa-503	11	7	more	more	ADV
ijassa-503	11	8	natural	natural	ADJ
ijassa-503	11	9	to	to	PART
ijassa-503	11	10	use	use	VERB
ijassa-503	11	11	the	the	DET
ijassa-503	11	12	input	input	NOUN
ijassa-503	11	13	values	value	NOUN
ijassa-503	11	14	and	and	CCONJ
ijassa-503	11	15	the	the	DET
ijassa-503	11	16	predicted	predict	VERB
ijassa-503	11	17	results	result	NOUN
ijassa-503	11	18	in	in	ADP
ijassa-503	11	19	the	the	DET
ijassa-503	11	20	form	form	NOUN
ijassa-503	11	21	of	of	ADP
ijassa-503	11	22	intervals	interval	NOUN
ijassa-503	11	23	.	.	PUNCT
ijassa-503	12	1	an	an	DET
ijassa-503	12	2	interval	interval	NOUN
ijassa-503	12	3	neural	neural	ADJ
ijassa-503	12	4	network	network	NOUN
ijassa-503	12	5	(	(	PUNCT
ijassa-503	12	6	inn	inn	PROPN
ijassa-503	12	7	)	)	PUNCT
ijassa-503	12	8	,	,	PUNCT
ijassa-503	12	9	which	which	PRON
ijassa-503	12	10	contains	contain	VERB
ijassa-503	12	11	interval	interval	NOUN
ijassa-503	12	12	arithmetic	arithmetic	ADJ
ijassa-503	12	13	,	,	PUNCT
ijassa-503	12	14	is	be	AUX
ijassa-503	12	15	used	use	VERB
ijassa-503	12	16	to	to	PART
ijassa-503	12	17	calculate	calculate	VERB
ijassa-503	12	18	such	such	ADJ
ijassa-503	12	19	interval	interval	NOUN
ijassa-503	12	20	-	-	PUNCT
ijassa-503	12	21	valued	value	VERB
ijassa-503	12	22	data	datum	NOUN
ijassa-503	12	23	.	.	PUNCT
ijassa-503	13	1	one	one	NUM
ijassa-503	13	2	of	of	ADP
ijassa-503	13	3	the	the	DET
ijassa-503	13	4	most	most	ADV
ijassa-503	13	5	important	important	ADJ
ijassa-503	13	6	features	feature	NOUN
ijassa-503	13	7	of	of	ADP
ijassa-503	13	8	interval	interval	NOUN
ijassa-503	13	9	analysis	analysis	NOUN
ijassa-503	13	10	is	be	AUX
ijassa-503	13	11	the	the	DET
ijassa-503	13	12	guaranteed	guarantee	VERB
ijassa-503	13	13	inclusion	inclusion	NOUN
ijassa-503	13	14	of	of	ADP
ijassa-503	13	15	the	the	DET
ijassa-503	13	16	exact	exact	ADJ
ijassa-503	13	17	solution	solution	NOUN
ijassa-503	13	18	into	into	ADP
ijassa-503	13	19	interval	interval	NOUN
ijassa-503	13	20	calculation	calculation	NOUN
ijassa-503	13	21	results	result	NOUN
ijassa-503	13	22	.	.	PUNCT
ijassa-503	14	1	previous	previous	ADJ
ijassa-503	14	2	studies	study	NOUN
ijassa-503	14	3	show	show	VERB
ijassa-503	14	4	that	that	SCONJ
ijassa-503	14	5	this	this	DET
ijassa-503	14	6	feature	feature	NOUN
ijassa-503	14	7	is	be	AUX
ijassa-503	14	8	not	not	PART
ijassa-503	14	9	achieved	achieve	VERB
ijassa-503	14	10	in	in	ADP
ijassa-503	14	11	the	the	DET
ijassa-503	14	12	case	case	NOUN
ijassa-503	14	13	of	of	ADP
ijassa-503	14	14	inn	inn	PROPN
ijassa-503	14	15	.	.	PUNCT
ijassa-503	15	1	trying	try	VERB
ijassa-503	15	2	to	to	PART
ijassa-503	15	3	eliminate	eliminate	VERB
ijassa-503	15	4	this	this	DET
ijassa-503	15	5	drawback	drawback	NOUN
ijassa-503	15	6	the	the	DET
ijassa-503	15	7	authors	author	NOUN
ijassa-503	15	8	introduced	introduce	VERB
ijassa-503	15	9	dualparametric	dualparametric	ADJ
ijassa-503	15	10	neural	neural	ADJ
ijassa-503	15	11	network	network	NOUN
ijassa-503	15	12	(	(	PUNCT
ijassa-503	15	13	dpnn	dpnn	NOUN
ijassa-503	15	14	)	)	PUNCT
ijassa-503	15	15	as	as	ADP
ijassa-503	15	16	a	a	DET
ijassa-503	15	17	new	new	ADJ
ijassa-503	15	18	subclass	subclass	NOUN
ijassa-503	15	19	of	of	ADP
ijassa-503	15	20	inn	inn	PROPN
ijassa-503	15	21	.	.	PUNCT
ijassa-503	16	1	models	model	NOUN
ijassa-503	16	2	of	of	ADP
ijassa-503	16	3	this	this	DET
ijassa-503	16	4	subclass	subclass	NOUN
ijassa-503	16	5	contain	contain	VERB
ijassa-503	16	6	two	two	NUM
ijassa-503	16	7	types	type	NOUN
ijassa-503	16	8	of	of	ADP
ijassa-503	16	9	parameters	parameter	NOUN
ijassa-503	16	10	:	:	PUNCT
ijassa-503	16	11	real	real	ADJ
ijassa-503	16	12	and	and	CCONJ
ijassa-503	16	13	interval	interval	NOUN
ijassa-503	16	14	ones	one	NOUN
ijassa-503	16	15	.	.	PUNCT
ijassa-503	17	1	in	in	ADP
ijassa-503	17	2	this	this	DET
ijassa-503	17	3	paper	paper	NOUN
ijassa-503	17	4	,	,	PUNCT
ijassa-503	17	5	we	we	PRON
ijassa-503	17	6	generalize	generalize	VERB
ijassa-503	17	7	previously	previously	ADV
ijassa-503	17	8	developed	develop	VERB
ijassa-503	17	9	and	and	CCONJ
ijassa-503	17	10	new	new	ADJ
ijassa-503	17	11	learning	learning	NOUN
ijassa-503	17	12	methods	method	NOUN
ijassa-503	17	13	and	and	CCONJ
ijassa-503	17	14	algorithms	algorithm	NOUN
ijassa-503	17	15	of	of	ADP
ijassa-503	17	16	dpnn	dpnn	NOUN
ijassa-503	17	17	and	and	CCONJ
ijassa-503	17	18	apply	apply	VERB
ijassa-503	17	19	them	they	PRON
ijassa-503	17	20	to	to	ADP
ijassa-503	17	21	forecasting	forecasting	NOUN
ijassa-503	17	22	interval	interval	NOUN
ijassa-503	17	23	-	-	PUNCT
ijassa-503	17	24	valued	value	VERB
ijassa-503	17	25	time	time	NOUN
ijassa-503	17	26	series	series	NOUN
ijassa-503	17	27	.	.	PUNCT
ijassa-503	18	1	2	2	X
ijassa-503	18	2	.	.	X
ijassa-503	18	3	theoretical	theoretical	ADJ
ijassa-503	18	4	overview	overview	NOUN
ijassa-503	18	5	interval	interval	NOUN
ijassa-503	18	6	neural	neural	ADJ
ijassa-503	18	7	network	network	NOUN
ijassa-503	18	8	(	(	PUNCT
ijassa-503	18	9	inn	inn	PROPN
ijassa-503	18	10	)	)	PUNCT
ijassa-503	18	11	is	be	AUX
ijassa-503	18	12	a	a	DET
ijassa-503	18	13	neural	neural	ADJ
ijassa-503	18	14	network	network	NOUN
ijassa-503	18	15	that	that	PRON
ijassa-503	18	16	contains	contain	VERB
ijassa-503	18	17	at	at	ADV
ijassa-503	18	18	least	least	ADV
ijassa-503	18	19	one	one	NUM
ijassa-503	18	20	interval	interval	NOUN
ijassa-503	18	21	parameter	parameter	NOUN
ijassa-503	18	22	,	,	PUNCT
ijassa-503	18	23	namely	namely	ADV
ijassa-503	18	24	input	input	NOUN
ijassa-503	18	25	,	,	PUNCT
ijassa-503	18	26	output	output	NOUN
ijassa-503	18	27	,	,	PUNCT
ijassa-503	18	28	or	or	CCONJ
ijassa-503	18	29	weight	weight	NOUN
ijassa-503	18	30	.	.	PUNCT
ijassa-503	19	1	the	the	DET
ijassa-503	19	2	inns	inn	NOUN
ijassa-503	19	3	can	can	AUX
ijassa-503	19	4	be	be	AUX
ijassa-503	19	5	used	use	VERB
ijassa-503	19	6	for	for	ADP
ijassa-503	19	7	the	the	DET
ijassa-503	19	8	following	follow	VERB
ijassa-503	19	9	reasons	reason	NOUN
ijassa-503	19	10	:	:	PUNCT
ijassa-503	19	11	•	•	NUM
ijassa-503	19	12	initial	initial	ADJ
ijassa-503	19	13	data	datum	NOUN
ijassa-503	19	14	are	be	AUX
ijassa-503	19	15	sometimes	sometimes	ADV
ijassa-503	19	16	presented	present	VERB
ijassa-503	19	17	in	in	ADP
ijassa-503	19	18	the	the	DET
ijassa-503	19	19	form	form	NOUN
ijassa-503	19	20	of	of	ADP
ijassa-503	19	21	interval	interval	NOUN
ijassa-503	19	22	values	value	NOUN
ijassa-503	19	23	rather	rather	ADV
ijassa-503	19	24	than	than	ADP
ijassa-503	19	25	singlepoint	singlepoint	NOUN
ijassa-503	19	26	ones	one	NOUN
ijassa-503	19	27	;	;	PUNCT
ijassa-503	19	28	•	•	NUM
ijassa-503	19	29	training	training	NOUN
ijassa-503	19	30	data	datum	NOUN
ijassa-503	19	31	sets	set	NOUN
ijassa-503	19	32	are	be	AUX
ijassa-503	19	33	reduced	reduce	VERB
ijassa-503	19	34	in	in	ADP
ijassa-503	19	35	size	size	NOUN
ijassa-503	19	36	due	due	ADP
ijassa-503	19	37	to	to	ADP
ijassa-503	19	38	the	the	DET
ijassa-503	19	39	use	use	NOUN
ijassa-503	19	40	of	of	ADP
ijassa-503	19	41	clustering	cluster	VERB
ijassa-503	19	42	analysis	analysis	NOUN
ijassa-503	19	43	;	;	PUNCT
ijassa-503	19	44	•	•	NUM
ijassa-503	19	45	inns	inn	NOUN
ijassa-503	19	46	allow	allow	VERB
ijassa-503	19	47	for	for	ADP
ijassa-503	19	48	making	make	VERB
ijassa-503	19	49	reliable	reliable	ADJ
ijassa-503	19	50	accuracy	accuracy	NOUN
ijassa-503	19	51	estimates	estimate	NOUN
ijassa-503	19	52	of	of	ADP
ijassa-503	19	53	calculation	calculation	NOUN
ijassa-503	19	54	results	result	NOUN
ijassa-503	19	55	.	.	PUNCT
ijassa-503	20	1	∗corresponding	∗corresponde	VERB
ijassa-503	20	2	author	author	NOUN
ijassa-503	20	3	:	:	PUNCT
ijassa-503	20	4	julipolozova@yandex.ru	julipolozova@yandex.ru	PROPN
ijassa-503	20	5	http://ijassa.ipu.ru/ojs/ijassa/article/view/503	http://ijassa.ipu.ru/ojs/ijassa/article/view/503	PROPN
ijassa-503	20	6	interval	interval	NOUN
ijassa-503	20	7	-	-	PUNCT
ijassa-503	20	8	valued	value	VERB
ijassa-503	20	9	data	data	NOUN
ijassa-503	20	10	forecasting	forecasting	NOUN
ijassa-503	20	11	using	use	VERB
ijassa-503	20	12	dual	dual	ADJ
ijassa-503	20	13	-	-	PUNCT
ijassa-503	20	14	parametric	parametric	ADJ
ijassa-503	20	15	neural	neural	ADJ
ijassa-503	20	16	networks	network	NOUN
ijassa-503	20	17	43	43	NUM
ijassa-503	20	18	the	the	DET
ijassa-503	20	19	existing	exist	VERB
ijassa-503	20	20	training	training	NOUN
ijassa-503	20	21	methods	method	NOUN
ijassa-503	20	22	for	for	ADP
ijassa-503	20	23	interval	interval	NOUN
ijassa-503	20	24	neural	neural	ADJ
ijassa-503	20	25	networks	network	NOUN
ijassa-503	20	26	are	be	AUX
ijassa-503	20	27	based	base	VERB
ijassa-503	20	28	on	on	ADP
ijassa-503	20	29	the	the	DET
ijassa-503	20	30	backpropagation	backpropagation	NOUN
ijassa-503	20	31	(	(	PUNCT
ijassa-503	20	32	bp	bp	PROPN
ijassa-503	20	33	)	)	PUNCT
ijassa-503	20	34	algorithm	algorithm	NOUN
ijassa-503	20	35	for	for	ADP
ijassa-503	20	36	interval	interval	NOUN
ijassa-503	20	37	data	datum	NOUN
ijassa-503	21	1	[	[	X
ijassa-503	21	2	1–5	1–5	X
ijassa-503	21	3	]	]	X
ijassa-503	21	4	with	with	ADP
ijassa-503	21	5	training	training	NOUN
ijassa-503	21	6	error	error	NOUN
ijassa-503	21	7	calculated	calculate	VERB
ijassa-503	21	8	as	as	ADP
ijassa-503	21	9	the	the	DET
ijassa-503	21	10	quadratic	quadratic	ADJ
ijassa-503	21	11	function	function	NOUN
ijassa-503	21	12	of	of	ADP
ijassa-503	21	13	quality	quality	NOUN
ijassa-503	21	14	:	:	PUNCT
ijassa-503	21	15	j(w	j(w	PROPN
ijassa-503	21	16	)	)	PUNCT
ijassa-503	21	17	=	=	SYM
ijassa-503	21	18	1	1	NUM
ijassa-503	21	19	2	2	NUM
ijassa-503	21	20	k∑	k∑	VERB
ijassa-503	21	21	i=1	i=1	PROPN
ijassa-503	21	22	qi(w	qi(w	PROPN
ijassa-503	21	23	)	)	PUNCT
ijassa-503	21	24	=	=	SYM
ijassa-503	21	25	1	1	NUM
ijassa-503	21	26	2	2	NUM
ijassa-503	21	27	k∑	k∑	NOUN
ijassa-503	21	28	i=1	i=1	X
ijassa-503	21	29	{	{	PUNCT
ijassa-503	21	30	(	(	PUNCT
ijassa-503	21	31	yi(w)−	yi(w)−	PROPN
ijassa-503	21	32	ỹi)2	ỹi)2	PROPN
ijassa-503	22	1	+	+	CCONJ
ijassa-503	22	2	(	(	PUNCT
ijassa-503	22	3	yi(w)−	yi(w)−	PROPN
ijassa-503	22	4	ỹi)2	ỹi)2	PROPN
ijassa-503	22	5	}	}	PUNCT
ijassa-503	22	6	(	(	PUNCT
ijassa-503	22	7	2.1	2.1	NUM
ijassa-503	22	8	)	)	PUNCT
ijassa-503	22	9	where	where	SCONJ
ijassa-503	22	10	k	k	PROPN
ijassa-503	22	11	is	be	AUX
ijassa-503	22	12	the	the	DET
ijassa-503	22	13	number	number	NOUN
ijassa-503	22	14	of	of	ADP
ijassa-503	22	15	examples	example	NOUN
ijassa-503	22	16	in	in	ADP
ijassa-503	22	17	the	the	DET
ijassa-503	22	18	training	training	NOUN
ijassa-503	22	19	data	datum	NOUN
ijassa-503	22	20	set	set	VERB
ijassa-503	22	21	,	,	PUNCT
ijassa-503	22	22	w	w	PROPN
ijassa-503	22	23	is	be	AUX
ijassa-503	22	24	the	the	DET
ijassa-503	22	25	weight	weight	NOUN
ijassa-503	22	26	vector	vector	NOUN
ijassa-503	22	27	,	,	PUNCT
ijassa-503	22	28	qi(w	qi(w	PROPN
ijassa-503	22	29	)	)	PUNCT
ijassa-503	22	30	is	be	AUX
ijassa-503	22	31	the	the	DET
ijassa-503	22	32	training	training	NOUN
ijassa-503	22	33	error	error	NOUN
ijassa-503	22	34	on	on	ADP
ijassa-503	22	35	example	example	NOUN
ijassa-503	22	36	i	i	PRON
ijassa-503	22	37	of	of	ADP
ijassa-503	22	38	the	the	DET
ijassa-503	22	39	training	training	NOUN
ijassa-503	22	40	data	datum	NOUN
ijassa-503	22	41	set	set	VERB
ijassa-503	22	42	,	,	PUNCT
ijassa-503	22	43	yi(w	yi(w	PUNCT
ijassa-503	22	44	)	)	PUNCT
ijassa-503	22	45	is	be	AUX
ijassa-503	22	46	the	the	DET
ijassa-503	22	47	lower	low	ADJ
ijassa-503	22	48	bound	bind	VERB
ijassa-503	22	49	of	of	ADP
ijassa-503	22	50	the	the	DET
ijassa-503	22	51	network‘s	network‘s	PROPN
ijassa-503	22	52	output	output	NOUN
ijassa-503	22	53	interval	interval	NOUN
ijassa-503	22	54	on	on	ADP
ijassa-503	22	55	example	example	NOUN
ijassa-503	23	1	i	i	PRON
ijassa-503	23	2	,	,	PUNCT
ijassa-503	23	3	ỹi	ỹi	PROPN
ijassa-503	23	4	is	be	AUX
ijassa-503	23	5	the	the	DET
ijassa-503	23	6	lower	low	ADJ
ijassa-503	23	7	bound	bind	VERB
ijassa-503	23	8	of	of	ADP
ijassa-503	23	9	the	the	DET
ijassa-503	23	10	training	training	NOUN
ijassa-503	23	11	output	output	NOUN
ijassa-503	23	12	interval	interval	NOUN
ijassa-503	23	13	on	on	ADP
ijassa-503	23	14	example	example	NOUN
ijassa-503	23	15	i	i	PRON
ijassa-503	23	16	,	,	PUNCT
ijassa-503	23	17	yi(w	yi(w	PUNCT
ijassa-503	23	18	)	)	PUNCT
ijassa-503	23	19	is	be	AUX
ijassa-503	23	20	the	the	DET
ijassa-503	23	21	upper	upper	ADJ
ijassa-503	23	22	bound	bind	VERB
ijassa-503	23	23	of	of	ADP
ijassa-503	23	24	the	the	DET
ijassa-503	23	25	network‘s	network‘s	PROPN
ijassa-503	23	26	output	output	NOUN
ijassa-503	23	27	interval	interval	NOUN
ijassa-503	23	28	on	on	ADP
ijassa-503	23	29	example	example	NOUN
ijassa-503	23	30	i	i	PRON
ijassa-503	23	31	,	,	PUNCT
ijassa-503	23	32	ỹi	ỹi	PROPN
ijassa-503	23	33	is	be	AUX
ijassa-503	23	34	the	the	DET
ijassa-503	23	35	upper	upper	ADJ
ijassa-503	23	36	bound	bind	VERB
ijassa-503	23	37	of	of	ADP
ijassa-503	23	38	the	the	DET
ijassa-503	23	39	training	training	NOUN
ijassa-503	23	40	output	output	NOUN
ijassa-503	23	41	interval	interval	NOUN
ijassa-503	23	42	on	on	ADP
ijassa-503	23	43	example	example	NOUN
ijassa-503	23	44	i.	i.	NOUN
ijassa-503	23	45	the	the	DET
ijassa-503	23	46	bounds	bound	NOUN
ijassa-503	23	47	of	of	ADP
ijassa-503	23	48	the	the	DET
ijassa-503	23	49	output	output	NOUN
ijassa-503	23	50	interval	interval	NOUN
ijassa-503	23	51	for	for	ADP
ijassa-503	23	52	neuron	neuron	PROPN
ijassa-503	24	1	i	i	PRON
ijassa-503	24	2	(	(	PUNCT
ijassa-503	24	3	index	index	NOUN
ijassa-503	24	4	i	i	PRON
ijassa-503	24	5	is	be	AUX
ijassa-503	24	6	already	already	ADV
ijassa-503	24	7	used	use	VERB
ijassa-503	24	8	for	for	ADP
ijassa-503	24	9	training	training	NOUN
ijassa-503	24	10	samples	sample	NOUN
ijassa-503	24	11	.	.	PUNCT
ijassa-503	25	1	it	it	PRON
ijassa-503	25	2	would	would	AUX
ijassa-503	25	3	be	be	AUX
ijassa-503	25	4	more	more	ADV
ijassa-503	25	5	clear	clear	ADJ
ijassa-503	25	6	to	to	PART
ijassa-503	25	7	use	use	VERB
ijassa-503	25	8	another	another	DET
ijassa-503	25	9	letter	letter	NOUN
ijassa-503	25	10	,	,	PUNCT
ijassa-503	25	11	say	say	VERB
ijassa-503	25	12	,	,	PUNCT
ijassa-503	25	13	k	k	PROPN
ijassa-503	25	14	or	or	CCONJ
ijassa-503	25	15	j	j	PROPN
ijassa-503	25	16	for	for	ADP
ijassa-503	25	17	neurons	neuron	NOUN
ijassa-503	25	18	)	)	PUNCT
ijassa-503	25	19	of	of	ADP
ijassa-503	25	20	layer	layer	NOUN
ijassa-503	25	21	l	l	NOUN
ijassa-503	25	22	are	be	AUX
ijassa-503	25	23	computed	compute	VERB
ijassa-503	25	24	as	as	SCONJ
ijassa-503	25	25	follows	follow	VERB
ijassa-503	25	26	:	:	PUNCT
ijassa-503	26	1	y(l	y(l	PROPN
ijassa-503	26	2	,	,	PUNCT
ijassa-503	26	3	i	i	NOUN
ijassa-503	26	4	)	)	PUNCT
ijassa-503	26	5	=	=	SYM
ijassa-503	26	6	σ(net(l	σ(net(l	PROPN
ijassa-503	26	7	,	,	PUNCT
ijassa-503	26	8	i	i	NOUN
ijassa-503	26	9	)	)	PUNCT
ijassa-503	26	10	)	)	PUNCT
ijassa-503	27	1	=	=	SYM
ijassa-503	27	2	σ	σ	PROPN
ijassa-503	27	3	(	(	PUNCT
ijassa-503	27	4	nl−1∑	nl−1∑	X
ijassa-503	27	5	j=0,wj>0	j=0,wj>0	PROPN
ijassa-503	27	6	w	w	PROPN
ijassa-503	27	7	(	(	PUNCT
ijassa-503	27	8	l	l	NOUN
ijassa-503	27	9	,	,	PUNCT
ijassa-503	27	10	i	i	NOUN
ijassa-503	27	11	)	)	PUNCT
ijassa-503	27	12	j	j	PROPN
ijassa-503	27	13	y(l−1,j	y(l−1,j	NOUN
ijassa-503	27	14	)	)	PUNCT
ijassa-503	27	15	+	+	NUM
ijassa-503	27	16	nl−1∑	nl−1∑	NOUN
ijassa-503	27	17	j=0,wj<0	j=0,wj<0	VERB
ijassa-503	27	18	w	w	PROPN
ijassa-503	28	1	(	(	PUNCT
ijassa-503	28	2	l	l	NOUN
ijassa-503	28	3	,	,	PUNCT
ijassa-503	28	4	i	i	NOUN
ijassa-503	28	5	)	)	PUNCT
ijassa-503	28	6	j	j	PROPN
ijassa-503	28	7	y(l−1,j	y(l−1,j	NOUN
ijassa-503	28	8	)	)	PUNCT
ijassa-503	28	9	)	)	PUNCT
ijassa-503	29	1	(	(	PUNCT
ijassa-503	29	2	2.2	2.2	NUM
ijassa-503	29	3	)	)	PUNCT
ijassa-503	29	4	y(l	y(l	PROPN
ijassa-503	29	5	,	,	PUNCT
ijassa-503	29	6	i	i	NOUN
ijassa-503	29	7	)	)	PUNCT
ijassa-503	29	8	=	=	SYM
ijassa-503	29	9	σ(net(l	σ(net(l	PROPN
ijassa-503	29	10	,	,	PUNCT
ijassa-503	29	11	i	i	NOUN
ijassa-503	29	12	)	)	PUNCT
ijassa-503	29	13	)	)	PUNCT
ijassa-503	30	1	=	=	SYM
ijassa-503	30	2	σ	σ	PROPN
ijassa-503	30	3	(	(	PUNCT
ijassa-503	30	4	nl−1∑	nl−1∑	X
ijassa-503	30	5	j=0,wj>0	j=0,wj>0	PROPN
ijassa-503	30	6	w	w	PROPN
ijassa-503	30	7	(	(	PUNCT
ijassa-503	30	8	l	l	NOUN
ijassa-503	30	9	,	,	PUNCT
ijassa-503	30	10	i	i	NOUN
ijassa-503	30	11	)	)	PUNCT
ijassa-503	30	12	j	j	PROPN
ijassa-503	30	13	y(l−1,j	y(l−1,j	NOUN
ijassa-503	30	14	)	)	PUNCT
ijassa-503	30	15	+	+	NUM
ijassa-503	30	16	nl−1∑	nl−1∑	NOUN
ijassa-503	30	17	j=0,wj<0	j=0,wj<0	VERB
ijassa-503	30	18	w	w	PROPN
ijassa-503	31	1	(	(	PUNCT
ijassa-503	31	2	l	l	NOUN
ijassa-503	31	3	,	,	PUNCT
ijassa-503	31	4	i	i	NOUN
ijassa-503	31	5	)	)	PUNCT
ijassa-503	31	6	j	j	PROPN
ijassa-503	31	7	y(l−1,j	y(l−1,j	NOUN
ijassa-503	31	8	)	)	PUNCT
ijassa-503	31	9	)	)	PUNCT
ijassa-503	32	1	(	(	PUNCT
ijassa-503	32	2	2.3	2.3	NUM
ijassa-503	32	3	)	)	PUNCT
ijassa-503	32	4	where	where	SCONJ
ijassa-503	32	5	y(l	y(l	PROPN
ijassa-503	32	6	,	,	PUNCT
ijassa-503	32	7	i	i	PRON
ijassa-503	32	8	)	)	PUNCT
ijassa-503	32	9	is	be	AUX
ijassa-503	32	10	the	the	DET
ijassa-503	32	11	lower	low	ADJ
ijassa-503	32	12	bound	bind	VERB
ijassa-503	32	13	of	of	ADP
ijassa-503	32	14	the	the	DET
ijassa-503	32	15	output	output	NOUN
ijassa-503	32	16	interval	interval	NOUN
ijassa-503	32	17	for	for	ADP
ijassa-503	32	18	neuron	neuron	NOUN
ijassa-503	33	1	i	i	PRON
ijassa-503	33	2	of	of	ADP
ijassa-503	33	3	layer	layer	NOUN
ijassa-503	33	4	l	l	PROPN
ijassa-503	33	5	,	,	PUNCT
ijassa-503	33	6	σ	σ	PROPN
ijassa-503	33	7	(	(	PUNCT
ijassa-503	33	8	·	·	PUNCT
ijassa-503	33	9	)	)	PUNCT
ijassa-503	33	10	is	be	AUX
ijassa-503	33	11	the	the	DET
ijassa-503	33	12	activation	activation	NOUN
ijassa-503	33	13	function	function	NOUN
ijassa-503	33	14	for	for	ADP
ijassa-503	33	15	hidden	hide	VERB
ijassa-503	33	16	layer	layer	NOUN
ijassa-503	33	17	neurons	neuron	NOUN
ijassa-503	33	18	,	,	PUNCT
ijassa-503	33	19	net(l	net(l	PROPN
ijassa-503	33	20	,	,	PUNCT
ijassa-503	33	21	i	i	PROPN
ijassa-503	33	22	)	)	PUNCT
ijassa-503	33	23	the	the	DET
ijassa-503	33	24	lower	lower	ADV
ijassa-503	33	25	bound	bind	VERB
ijassa-503	33	26	of	of	ADP
ijassa-503	33	27	the	the	DET
ijassa-503	33	28	activation	activation	NOUN
ijassa-503	33	29	level	level	NOUN
ijassa-503	33	30	for	for	ADP
ijassa-503	33	31	neuron	neuron	NOUN
ijassa-503	33	32	i	i	PRON
ijassa-503	33	33	of	of	ADP
ijassa-503	33	34	layer	layer	NOUN
ijassa-503	33	35	l	l	NOUN
ijassa-503	33	36	,	,	PUNCT
ijassa-503	33	37	nl−1	nl−1	PROPN
ijassa-503	33	38	is	be	AUX
ijassa-503	33	39	the	the	DET
ijassa-503	33	40	number	number	NOUN
ijassa-503	33	41	of	of	ADP
ijassa-503	33	42	neurons	neuron	NOUN
ijassa-503	33	43	in	in	ADP
ijassa-503	33	44	layer	layer	NOUN
ijassa-503	33	45	l	l	NOUN
ijassa-503	33	46	−	−	PROPN
ijassa-503	33	47	1	1	NUM
ijassa-503	33	48	,	,	PUNCT
ijassa-503	33	49	w(l	w(l	PROPN
ijassa-503	33	50	,	,	PUNCT
ijassa-503	33	51	i	i	PROPN
ijassa-503	33	52	)	)	PUNCT
ijassa-503	33	53	j	j	PROPN
ijassa-503	33	54	is	be	AUX
ijassa-503	33	55	weight	weight	PROPN
ijassa-503	33	56	j	j	PROPN
ijassa-503	33	57	for	for	ADP
ijassa-503	33	58	neuron	neuron	PROPN
ijassa-503	33	59	i	i	PRON
ijassa-503	33	60	of	of	ADP
ijassa-503	33	61	layer	layer	NOUN
ijassa-503	33	62	l	l	NOUN
ijassa-503	33	63	,	,	PUNCT
ijassa-503	33	64	y(l−1,j	y(l−1,j	NOUN
ijassa-503	33	65	)	)	PUNCT
ijassa-503	33	66	is	be	AUX
ijassa-503	33	67	the	the	DET
ijassa-503	33	68	lower	low	ADJ
ijassa-503	33	69	output	output	NOUN
ijassa-503	33	70	bound	bind	VERB
ijassa-503	33	71	for	for	ADP
ijassa-503	33	72	neuron	neuron	PROPN
ijassa-503	33	73	j	j	PROPN
ijassa-503	33	74	of	of	ADP
ijassa-503	33	75	layer	layer	NOUN
ijassa-503	34	1	l	l	PROPN
ijassa-503	34	2	−	−	PROPN
ijassa-503	34	3	1	1	NUM
ijassa-503	34	4	,	,	PUNCT
ijassa-503	34	5	y(l−1,j	y(l−1,j	NOUN
ijassa-503	34	6	)	)	PUNCT
ijassa-503	34	7	is	be	AUX
ijassa-503	34	8	the	the	DET
ijassa-503	34	9	upper	upper	ADJ
ijassa-503	34	10	output	output	NOUN
ijassa-503	34	11	bound	bind	VERB
ijassa-503	34	12	for	for	ADP
ijassa-503	34	13	neuron	neuron	PROPN
ijassa-503	34	14	j	j	PROPN
ijassa-503	34	15	of	of	ADP
ijassa-503	34	16	layer	layer	NOUN
ijassa-503	34	17	l	l	PROPN
ijassa-503	35	1	−	−	PROPN
ijassa-503	35	2	1	1	NUM
ijassa-503	35	3	,	,	PUNCT
ijassa-503	35	4	y(l	y(l	PROPN
ijassa-503	35	5	,	,	PUNCT
ijassa-503	35	6	i	i	PRON
ijassa-503	35	7	)	)	PUNCT
ijassa-503	35	8	is	be	AUX
ijassa-503	35	9	the	the	DET
ijassa-503	35	10	upper	upper	ADJ
ijassa-503	35	11	output	output	NOUN
ijassa-503	35	12	bound	bind	VERB
ijassa-503	35	13	for	for	ADP
ijassa-503	35	14	neuron	neuron	NOUN
ijassa-503	35	15	i	i	PRON
ijassa-503	35	16	of	of	ADP
ijassa-503	35	17	layer	layer	NOUN
ijassa-503	35	18	l	l	NOUN
ijassa-503	35	19	,	,	PUNCT
ijassa-503	35	20	net(l	net(l	PROPN
ijassa-503	35	21	,	,	PUNCT
ijassa-503	35	22	i	i	PRON
ijassa-503	35	23	)	)	PUNCT
ijassa-503	35	24	is	be	AUX
ijassa-503	35	25	the	the	DET
ijassa-503	35	26	upper	upper	ADJ
ijassa-503	35	27	bound	bind	VERB
ijassa-503	35	28	of	of	ADP
ijassa-503	35	29	the	the	DET
ijassa-503	35	30	activation	activation	NOUN
ijassa-503	35	31	level	level	NOUN
ijassa-503	35	32	for	for	ADP
ijassa-503	35	33	neuron	neuron	NOUN
ijassa-503	36	1	i	i	PRON
ijassa-503	36	2	of	of	ADP
ijassa-503	36	3	layer	layer	NOUN
ijassa-503	36	4	l.	l.	PROPN
ijassa-503	36	5	the	the	DET
ijassa-503	36	6	gradient	gradient	NOUN
ijassa-503	36	7	of	of	ADP
ijassa-503	36	8	the	the	DET
ijassa-503	36	9	inn	inn	PROPN
ijassa-503	36	10	training	training	NOUN
ijassa-503	36	11	quality	quality	NOUN
ijassa-503	36	12	function	function	NOUN
ijassa-503	36	13	is	be	AUX
ijassa-503	36	14	calculated	calculate	VERB
ijassa-503	36	15	as	as	SCONJ
ijassa-503	36	16	follows	follow	VERB
ijassa-503	36	17	:	:	PUNCT
ijassa-503	36	18	∂qk(w	∂qk(w	NOUN
ijassa-503	36	19	)	)	PUNCT
ijassa-503	37	1	∂w	∂w	PROPN
ijassa-503	37	2	(	(	PUNCT
ijassa-503	37	3	l	l	NOUN
ijassa-503	37	4	,	,	PUNCT
ijassa-503	37	5	i	i	NOUN
ijassa-503	37	6	)	)	PUNCT
ijassa-503	37	7	j	j	PROPN
ijassa-503	37	8	=	=	PRON
ijassa-503	37	9	{	{	PUNCT
ijassa-503	37	10	s(l	s(l	NOUN
ijassa-503	37	11	,	,	PUNCT
ijassa-503	37	12	i)σ′net(net	i)σ′net(net	NOUN
ijassa-503	37	13	(	(	PUNCT
ijassa-503	37	14	l	l	NOUN
ijassa-503	37	15	,	,	PUNCT
ijassa-503	37	16	i))y(l−1,j	i))y(l−1,j	NOUN
ijassa-503	37	17	)	)	PUNCT
ijassa-503	38	1	+	+	SYM
ijassa-503	38	2	s(l	s(l	X
ijassa-503	38	3	,	,	PUNCT
ijassa-503	38	4	i)σ′net(net	i)σ′net(net	NOUN
ijassa-503	38	5	(	(	PUNCT
ijassa-503	38	6	l	l	NOUN
ijassa-503	38	7	,	,	PUNCT
ijassa-503	38	8	i))y(l−1,j	i))y(l−1,j	NOUN
ijassa-503	38	9	)	)	PUNCT
ijassa-503	38	10	,	,	PUNCT
ijassa-503	38	11	w	w	PROPN
ijassa-503	38	12	(	(	PUNCT
ijassa-503	38	13	l	l	NOUN
ijassa-503	38	14	,	,	PUNCT
ijassa-503	38	15	i	i	NOUN
ijassa-503	38	16	)	)	PUNCT
ijassa-503	38	17	j	j	PROPN
ijassa-503	38	18	>	>	X
ijassa-503	38	19	0	0	NUM
ijassa-503	38	20	,	,	PUNCT
ijassa-503	38	21	s(l	s(l	NUM
ijassa-503	38	22	,	,	PUNCT
ijassa-503	38	23	i)σ′net(net	i)σ′net(net	NOUN
ijassa-503	38	24	(	(	PUNCT
ijassa-503	38	25	l	l	NOUN
ijassa-503	38	26	,	,	PUNCT
ijassa-503	38	27	i))y(l−1,j	i))y(l−1,j	NOUN
ijassa-503	38	28	)	)	PUNCT
ijassa-503	39	1	+	+	SYM
ijassa-503	39	2	s(l	s(l	X
ijassa-503	39	3	,	,	PUNCT
ijassa-503	39	4	i)σ′net(net	i)σ′net(net	NOUN
ijassa-503	39	5	(	(	PUNCT
ijassa-503	39	6	l	l	NOUN
ijassa-503	39	7	,	,	PUNCT
ijassa-503	39	8	i))y(l−1,j	i))y(l−1,j	NOUN
ijassa-503	39	9	)	)	PUNCT
ijassa-503	39	10	,	,	PUNCT
ijassa-503	39	11	w	w	PROPN
ijassa-503	39	12	(	(	PUNCT
ijassa-503	39	13	l	l	NOUN
ijassa-503	39	14	,	,	PUNCT
ijassa-503	39	15	i	i	NOUN
ijassa-503	39	16	)	)	PUNCT
ijassa-503	39	17	j	j	PROPN
ijassa-503	39	18	<	<	X
ijassa-503	39	19	0	0	NUM
ijassa-503	39	20	.	.	PUNCT
ijassa-503	39	21	(	(	PUNCT
ijassa-503	39	22	2.4	2.4	NUM
ijassa-503	39	23	)	)	PUNCT
ijassa-503	39	24	where	where	SCONJ
ijassa-503	39	25	s(l	s(l	NUM
ijassa-503	39	26	,	,	PUNCT
ijassa-503	39	27	i	i	NOUN
ijassa-503	39	28	)	)	PUNCT
ijassa-503	39	29	,	,	PUNCT
ijassa-503	39	30	s(l	s(l	PROPN
ijassa-503	39	31	,	,	PUNCT
ijassa-503	39	32	i	i	PRON
ijassa-503	39	33	)	)	PUNCT
ijassa-503	39	34	are	be	AUX
ijassa-503	39	35	the	the	DET
ijassa-503	39	36	lower	low	ADJ
ijassa-503	39	37	and	and	CCONJ
ijassa-503	39	38	upper	upper	ADJ
ijassa-503	39	39	bounds	bound	NOUN
ijassa-503	39	40	of	of	ADP
ijassa-503	39	41	the	the	DET
ijassa-503	39	42	factor	factor	NOUN
ijassa-503	39	43	determined	determine	VERB
ijassa-503	39	44	by	by	ADP
ijassa-503	39	45	the	the	DET
ijassa-503	39	46	recurrent	recurrent	ADJ
ijassa-503	39	47	procedure	procedure	NOUN
ijassa-503	40	1	s(l	s(l	NOUN
ijassa-503	40	2	,	,	PUNCT
ijassa-503	40	3	i	i	NOUN
ijassa-503	40	4	)	)	PUNCT
ijassa-503	41	1	=	=	SYM
ijassa-503	41	2	(	(	PUNCT
ijassa-503	41	3	nm+1∑	nm+1∑	ADJ
ijassa-503	41	4	j=1,wj>0	j=1,wj>0	NOUN
ijassa-503	42	1	s(l+1,j)σ′net(net	s(l+1,j)σ′net(net	PROPN
ijassa-503	42	2	(	(	PUNCT
ijassa-503	42	3	l+1,j))w	l+1,j))w	PROPN
ijassa-503	42	4	(	(	PUNCT
ijassa-503	42	5	l+1,j	l+1,j	NOUN
ijassa-503	42	6	)	)	PUNCT
ijassa-503	42	7	i	i	PROPN
ijassa-503	42	8	+	+	CCONJ
ijassa-503	43	1	nm+1∑	nm+1∑	PROPN
ijassa-503	43	2	j=1,wj<0	j=1,wj<0	VERB
ijassa-503	43	3	s(l+1,j)σ′net(net	s(l+1,j)σ′net(net	PROPN
ijassa-503	43	4	(	(	PUNCT
ijassa-503	43	5	l+1,j))w	l+1,j))w	PROPN
ijassa-503	43	6	(	(	PUNCT
ijassa-503	43	7	l+1,j	l+1,j	NOUN
ijassa-503	43	8	)	)	PUNCT
ijassa-503	43	9	i	i	NOUN
ijassa-503	43	10	)	)	PUNCT
ijassa-503	44	1	s(l	s(l	X
ijassa-503	44	2	,	,	PUNCT
ijassa-503	44	3	i	i	AUX
ijassa-503	44	4	)	)	PUNCT
ijassa-503	44	5	=	=	SYM
ijassa-503	45	1	(	(	PUNCT
ijassa-503	45	2	nm+1∑	nm+1∑	ADJ
ijassa-503	45	3	j=1,wj>0	j=1,wj>0	NOUN
ijassa-503	45	4	s(l+1,j)σ′net(net	s(l+1,j)σ′net(net	PROPN
ijassa-503	45	5	(	(	PUNCT
ijassa-503	45	6	l+1,j))w	l+1,j))w	PROPN
ijassa-503	45	7	(	(	PUNCT
ijassa-503	45	8	l+1,j	l+1,j	NOUN
ijassa-503	45	9	)	)	PUNCT
ijassa-503	46	1	i	i	PROPN
ijassa-503	46	2	+	+	CCONJ
ijassa-503	47	1	nm+1∑	nm+1∑	PROPN
ijassa-503	47	2	j=1,wj<0	j=1,wj<0	VERB
ijassa-503	47	3	s(l+1,j)σ′net(net	s(l+1,j)σ′net(net	PROPN
ijassa-503	47	4	(	(	PUNCT
ijassa-503	47	5	l+1,j))w	l+1,j))w	PROPN
ijassa-503	47	6	(	(	PUNCT
ijassa-503	47	7	l+1,j	l+1,j	NOUN
ijassa-503	47	8	)	)	PUNCT
ijassa-503	47	9	i	i	NOUN
ijassa-503	47	10	)	)	PUNCT
ijassa-503	47	11	(	(	PUNCT
ijassa-503	47	12	2.5	2.5	NUM
ijassa-503	47	13	)	)	PUNCT
ijassa-503	47	14	with	with	ADP
ijassa-503	47	15	the	the	DET
ijassa-503	47	16	initial	initial	ADJ
ijassa-503	47	17	condition	condition	NOUN
ijassa-503	47	18	s(l,1	s(l,1	PROPN
ijassa-503	47	19	)	)	PUNCT
ijassa-503	48	1	=	=	PUNCT
ijassa-503	48	2	y(w)−	y(w)−	PROPN
ijassa-503	48	3	ỹ	ỹ	PROPN
ijassa-503	48	4	,	,	PUNCT
ijassa-503	48	5	s(l,1	s(l,1	PROPN
ijassa-503	48	6	)	)	PUNCT
ijassa-503	48	7	=	=	PUNCT
ijassa-503	49	1	y(w)−	y(w)−	PROPN
ijassa-503	49	2	ỹ	ỹ	PROPN
ijassa-503	49	3	,	,	PUNCT
ijassa-503	49	4	where	where	SCONJ
ijassa-503	49	5	l	l	NOUN
ijassa-503	49	6	is	be	AUX
ijassa-503	49	7	the	the	DET
ijassa-503	49	8	number	number	NOUN
ijassa-503	49	9	of	of	ADP
ijassa-503	49	10	layers	layer	NOUN
ijassa-503	49	11	in	in	ADP
ijassa-503	49	12	the	the	DET
ijassa-503	49	13	neural	neural	ADJ
ijassa-503	49	14	network	network	NOUN
ijassa-503	49	15	model	model	NOUN
ijassa-503	49	16	.	.	PUNCT
ijassa-503	50	1	copyright	copyright	NOUN
ijassa-503	50	2	c	c	ADP
ijassa-503	50	3	©	©	PROPN
ijassa-503	50	4	2017	2017	NUM
ijassa-503	50	5	assa	assa	NOUN
ijassa-503	50	6	.	.	PUNCT
ijassa-503	51	1	adv	adv	PROPN
ijassa-503	51	2	syst	syst	PROPN
ijassa-503	51	3	sci	sci	PROPN
ijassa-503	51	4	appl	appl	PROPN
ijassa-503	51	5	(	(	PUNCT
ijassa-503	51	6	2017	2017	NUM
ijassa-503	51	7	)	)	PUNCT
ijassa-503	51	8	44	44	NUM
ijassa-503	52	1	y.e	y.e	PROPN
ijassa-503	52	2	.	.	PUNCT
ijassa-503	53	1	polozova	polozova	PROPN
ijassa-503	53	2	,	,	PUNCT
ijassa-503	53	3	p.v	p.v	PROPN
ijassa-503	53	4	.	.	PROPN
ijassa-503	53	5	saraev	saraev	PROPN
ijassa-503	54	1	3	3	X
ijassa-503	54	2	.	.	PUNCT
ijassa-503	54	3	proposed	propose	VERB
ijassa-503	54	4	approach	approach	NOUN
ijassa-503	54	5	3.1	3.1	NUM
ijassa-503	54	6	.	.	PUNCT
ijassa-503	55	1	modification	modification	NOUN
ijassa-503	55	2	of	of	ADP
ijassa-503	55	3	error	error	NOUN
ijassa-503	55	4	function	function	NOUN
ijassa-503	55	5	one	one	NUM
ijassa-503	55	6	of	of	ADP
ijassa-503	55	7	the	the	DET
ijassa-503	55	8	most	most	ADV
ijassa-503	55	9	important	important	ADJ
ijassa-503	55	10	advantages	advantage	NOUN
ijassa-503	55	11	of	of	ADP
ijassa-503	55	12	interval	interval	NOUN
ijassa-503	55	13	analysis	analysis	NOUN
ijassa-503	55	14	methods	method	NOUN
ijassa-503	55	15	is	be	AUX
ijassa-503	55	16	the	the	DET
ijassa-503	55	17	possibility	possibility	NOUN
ijassa-503	55	18	to	to	PART
ijassa-503	55	19	get	get	VERB
ijassa-503	55	20	guaranteed	guarantee	VERB
ijassa-503	55	21	estimates	estimate	NOUN
ijassa-503	55	22	of	of	ADP
ijassa-503	55	23	single	single	ADJ
ijassa-503	55	24	-	-	PUNCT
ijassa-503	55	25	point	point	NOUN
ijassa-503	55	26	solution	solution	NOUN
ijassa-503	55	27	in	in	ADP
ijassa-503	55	28	the	the	DET
ijassa-503	55	29	output	output	NOUN
ijassa-503	55	30	interval	interval	NOUN
ijassa-503	55	31	.	.	PUNCT
ijassa-503	56	1	however	however	ADV
ijassa-503	56	2	,	,	PUNCT
ijassa-503	56	3	function	function	NOUN
ijassa-503	56	4	(	(	PUNCT
ijassa-503	56	5	2.1	2.1	NUM
ijassa-503	56	6	)	)	PUNCT
ijassa-503	56	7	does	do	AUX
ijassa-503	56	8	not	not	PART
ijassa-503	56	9	guarantee	guarantee	VERB
ijassa-503	56	10	that	that	SCONJ
ijassa-503	56	11	output	output	NOUN
ijassa-503	56	12	intervals	interval	NOUN
ijassa-503	56	13	of	of	ADP
ijassa-503	56	14	the	the	DET
ijassa-503	56	15	training	training	NOUN
ijassa-503	56	16	examples	example	NOUN
ijassa-503	56	17	will	will	AUX
ijassa-503	56	18	be	be	AUX
ijassa-503	56	19	fully	fully	ADV
ijassa-503	56	20	included	include	VERB
ijassa-503	56	21	in	in	ADP
ijassa-503	56	22	the	the	DET
ijassa-503	56	23	output	output	NOUN
ijassa-503	56	24	intervals	interval	NOUN
ijassa-503	56	25	of	of	ADP
ijassa-503	56	26	the	the	DET
ijassa-503	56	27	network	network	NOUN
ijassa-503	56	28	.	.	PUNCT
ijassa-503	57	1	to	to	PART
ijassa-503	57	2	solve	solve	VERB
ijassa-503	57	3	this	this	DET
ijassa-503	57	4	problem	problem	NOUN
ijassa-503	57	5	,	,	PUNCT
ijassa-503	57	6	a	a	DET
ijassa-503	57	7	training	training	NOUN
ijassa-503	57	8	quality	quality	NOUN
ijassa-503	57	9	function	function	NOUN
ijassa-503	57	10	for	for	ADP
ijassa-503	57	11	an	an	DET
ijassa-503	57	12	inn	inn	PROPN
ijassa-503	57	13	model	model	NOUN
ijassa-503	57	14	with	with	ADP
ijassa-503	57	15	one	one	NUM
ijassa-503	57	16	output	output	NOUN
ijassa-503	57	17	was	be	AUX
ijassa-503	57	18	proposed	propose	VERB
ijassa-503	57	19	in	in	ADP
ijassa-503	57	20	previous	previous	ADJ
ijassa-503	57	21	research	research	NOUN
ijassa-503	57	22	:	:	PUNCT
ijassa-503	57	23	j([w	j([w	NOUN
ijassa-503	57	24	]	]	X
ijassa-503	57	25	)	)	PUNCT
ijassa-503	58	1	=	=	PRON
ijassa-503	58	2	k∑	k∑	VERB
ijassa-503	58	3	i=1	i=1	PROPN
ijassa-503	58	4	qi([w	qi([w	PROPN
ijassa-503	58	5	]	]	PUNCT
ijassa-503	58	6	)	)	PUNCT
ijassa-503	59	1	=	=	SYM
ijassa-503	59	2	k∑	k∑	VERB
ijassa-503	59	3	i=1	i=1	PROPN
ijassa-503	59	4	pibi	pibi	NOUN
ijassa-503	59	5	,	,	PUNCT
ijassa-503	59	6	(	(	PUNCT
ijassa-503	59	7	3.6	3.6	NUM
ijassa-503	59	8	)	)	PUNCT
ijassa-503	59	9	where	where	SCONJ
ijassa-503	59	10	bi	bi	NOUN
ijassa-503	59	11	=	=	PRON
ijassa-503	59	12	[	[	PUNCT
ijassa-503	59	13	bi1	bi1	NOUN
ijassa-503	59	14	bi2	bi2	PROPN
ijassa-503	59	15	]	]	PUNCT
ijassa-503	60	1	=	=	PUNCT
ijassa-503	60	2	[	[	PUNCT
ijassa-503	60	3	ỹi	ỹi	VERB
ijassa-503	60	4	−	−	PROPN
ijassa-503	60	5	yi([w	yi([w	NOUN
ijassa-503	60	6	]	]	X
ijassa-503	60	7	)	)	PUNCT
ijassa-503	60	8	yi([w])−	yi([w])−	NOUN
ijassa-503	60	9	ỹi	ỹi	VERB
ijassa-503	60	10	]	]	PUNCT
ijassa-503	60	11	;	;	PUNCT
ijassa-503	60	12	pi	pi	NOUN
ijassa-503	61	1	=	=	PUNCT
ijassa-503	62	1	[	[	X
ijassa-503	62	2	pi1	pi1	X
ijassa-503	62	3	pi2	pi2	PROPN
ijassa-503	62	4	]	]	PUNCT
ijassa-503	62	5	,	,	PUNCT
ijassa-503	62	6	piq	piq	NOUN
ijassa-503	62	7	=	=	SYM
ijassa-503	62	8	{	{	PUNCT
ijassa-503	62	9	1	1	NUM
ijassa-503	62	10	,	,	PUNCT
ijassa-503	62	11	biq	biq	NOUN
ijassa-503	62	12	≥	≥	NOUN
ijassa-503	62	13	0	0	NUM
ijassa-503	62	14	,	,	PUNCT
ijassa-503	62	15	−	−	PROPN
ijassa-503	62	16	biq	biq	NOUN
ijassa-503	62	17	n	n	X
ijassa-503	62	18	,	,	PUNCT
ijassa-503	62	19	biq	biq	NOUN
ijassa-503	62	20	<	<	X
ijassa-503	62	21	0	0	NUM
ijassa-503	62	22	;	;	PUNCT
ijassa-503	62	23	q	q	NOUN
ijassa-503	62	24	=	=	SYM
ijassa-503	62	25	1	1	NUM
ijassa-503	62	26	,	,	PUNCT
ijassa-503	62	27	2	2	NUM
ijassa-503	62	28	.	.	PUNCT
ijassa-503	63	1	here	here	ADV
ijassa-503	63	2	k	k	PROPN
ijassa-503	63	3	is	be	AUX
ijassa-503	63	4	the	the	DET
ijassa-503	63	5	size	size	NOUN
ijassa-503	63	6	of	of	ADP
ijassa-503	63	7	the	the	DET
ijassa-503	63	8	training	training	NOUN
ijassa-503	63	9	data	datum	NOUN
ijassa-503	63	10	set	set	VERB
ijassa-503	63	11	,	,	PUNCT
ijassa-503	63	12	[	[	X
ijassa-503	63	13	w	w	X
ijassa-503	63	14	]	]	X
ijassa-503	63	15	is	be	AUX
ijassa-503	63	16	the	the	DET
ijassa-503	63	17	interval	interval	NOUN
ijassa-503	63	18	weight	weight	NOUN
ijassa-503	63	19	vector	vector	NOUN
ijassa-503	63	20	,	,	PUNCT
ijassa-503	63	21	qi([w	qi([w	PROPN
ijassa-503	63	22	]	]	PUNCT
ijassa-503	63	23	)	)	PUNCT
ijassa-503	63	24	is	be	AUX
ijassa-503	63	25	the	the	DET
ijassa-503	63	26	training	training	NOUN
ijassa-503	63	27	error	error	NOUN
ijassa-503	63	28	on	on	ADP
ijassa-503	63	29	example	example	NOUN
ijassa-503	64	1	i	i	PRON
ijassa-503	64	2	,	,	PUNCT
ijassa-503	64	3	pi	pi	PROPN
ijassa-503	64	4	is	be	AUX
ijassa-503	64	5	the	the	DET
ijassa-503	64	6	row	row	NOUN
ijassa-503	64	7	vector	vector	NOUN
ijassa-503	64	8	of	of	ADP
ijassa-503	64	9	weight	weight	NOUN
ijassa-503	64	10	coefficients	coefficient	NOUN
ijassa-503	64	11	for	for	ADP
ijassa-503	64	12	the	the	DET
ijassa-503	64	13	deviation	deviation	NOUN
ijassa-503	64	14	of	of	ADP
ijassa-503	64	15	the	the	DET
ijassa-503	64	16	network‘s	network‘s	PROPN
ijassa-503	64	17	output	output	NOUN
ijassa-503	64	18	interval	interval	NOUN
ijassa-503	64	19	bounds	bound	NOUN
ijassa-503	64	20	from	from	ADP
ijassa-503	64	21	the	the	DET
ijassa-503	64	22	bounds	bound	NOUN
ijassa-503	64	23	of	of	ADP
ijassa-503	64	24	the	the	DET
ijassa-503	64	25	example	example	NOUN
ijassa-503	64	26	i	i	PRON
ijassa-503	64	27	of	of	ADP
ijassa-503	64	28	the	the	DET
ijassa-503	64	29	training	training	NOUN
ijassa-503	64	30	data	datum	NOUN
ijassa-503	64	31	set	set	VERB
ijassa-503	64	32	,	,	PUNCT
ijassa-503	64	33	bi	bi	NOUN
ijassa-503	64	34	is	be	AUX
ijassa-503	64	35	the	the	DET
ijassa-503	64	36	vector	vector	NOUN
ijassa-503	64	37	of	of	ADP
ijassa-503	64	38	deviation	deviation	NOUN
ijassa-503	64	39	between	between	ADP
ijassa-503	64	40	the	the	DET
ijassa-503	64	41	network‘s	network‘s	PROPN
ijassa-503	64	42	output	output	NOUN
ijassa-503	64	43	interval	interval	NOUN
ijassa-503	64	44	bounds	bound	NOUN
ijassa-503	64	45	and	and	CCONJ
ijassa-503	64	46	the	the	DET
ijassa-503	64	47	bounds	bound	NOUN
ijassa-503	64	48	of	of	ADP
ijassa-503	64	49	example	example	NOUN
ijassa-503	64	50	i	i	PRON
ijassa-503	64	51	,	,	PUNCT
ijassa-503	64	52	ỹi	ỹi	PROPN
ijassa-503	64	53	is	be	AUX
ijassa-503	64	54	the	the	DET
ijassa-503	64	55	lower	low	ADJ
ijassa-503	64	56	bound	bind	VERB
ijassa-503	64	57	of	of	ADP
ijassa-503	64	58	the	the	DET
ijassa-503	64	59	output	output	NOUN
ijassa-503	64	60	interval	interval	NOUN
ijassa-503	64	61	on	on	ADP
ijassa-503	64	62	training	training	NOUN
ijassa-503	64	63	example	example	NOUN
ijassa-503	65	1	i	i	PRON
ijassa-503	65	2	,	,	PUNCT
ijassa-503	65	3	yi([w	yi([w	PROPN
ijassa-503	65	4	]	]	X
ijassa-503	65	5	)	)	PUNCT
ijassa-503	65	6	is	be	AUX
ijassa-503	65	7	the	the	DET
ijassa-503	65	8	lower	low	ADJ
ijassa-503	65	9	bound	bind	VERB
ijassa-503	65	10	of	of	ADP
ijassa-503	65	11	the	the	DET
ijassa-503	65	12	network	network	NOUN
ijassa-503	65	13	’s	’s	PART
ijassa-503	65	14	output	output	NOUN
ijassa-503	65	15	interval	interval	NOUN
ijassa-503	65	16	on	on	ADP
ijassa-503	65	17	sample	sample	NOUN
ijassa-503	65	18	i	i	PROPN
ijassa-503	65	19	,	,	PUNCT
ijassa-503	65	20	yi([w	yi([w	PROPN
ijassa-503	65	21	]	]	X
ijassa-503	65	22	)	)	PUNCT
ijassa-503	66	1	is	be	AUX
ijassa-503	66	2	the	the	DET
ijassa-503	66	3	upper	upper	ADJ
ijassa-503	66	4	bound	bound	NOUN
ijassa-503	66	5	of	of	ADP
ijassa-503	66	6	the	the	DET
ijassa-503	66	7	network	network	NOUN
ijassa-503	66	8	’s	’s	PART
ijassa-503	66	9	output	output	NOUN
ijassa-503	66	10	interval	interval	NOUN
ijassa-503	66	11	on	on	ADP
ijassa-503	66	12	example	example	NOUN
ijassa-503	67	1	i	i	PRON
ijassa-503	67	2	,	,	PUNCT
ijassa-503	67	3	ỹi	ỹi	PROPN
ijassa-503	67	4	is	be	AUX
ijassa-503	67	5	the	the	DET
ijassa-503	67	6	upper	upper	ADJ
ijassa-503	67	7	bound	bind	VERB
ijassa-503	67	8	of	of	ADP
ijassa-503	67	9	output	output	NOUN
ijassa-503	67	10	interval	interval	NOUN
ijassa-503	67	11	of	of	ADP
ijassa-503	67	12	example	example	NOUN
ijassa-503	67	13	i	i	PRON
ijassa-503	67	14	,	,	PUNCT
ijassa-503	67	15	piq	piq	NOUN
ijassa-503	67	16	is	be	AUX
ijassa-503	67	17	element	element	ADJ
ijassa-503	67	18	q	q	PROPN
ijassa-503	67	19	of	of	ADP
ijassa-503	67	20	row	row	NOUN
ijassa-503	67	21	vector	vector	NOUN
ijassa-503	67	22	pi	pi	NOUN
ijassa-503	67	23	,	,	PUNCT
ijassa-503	67	24	biq	biq	NOUN
ijassa-503	67	25	is	be	AUX
ijassa-503	67	26	is	be	AUX
ijassa-503	67	27	element	element	ADJ
ijassa-503	67	28	q	q	PROPN
ijassa-503	67	29	of	of	ADP
ijassa-503	67	30	row	row	NOUN
ijassa-503	67	31	vector	vector	NOUN
ijassa-503	67	32	bi	bi	NOUN
ijassa-503	67	33	,	,	PUNCT
ijassa-503	67	34	q	q	X
ijassa-503	67	35	is	be	AUX
ijassa-503	67	36	the	the	DET
ijassa-503	67	37	number	number	NOUN
ijassa-503	67	38	of	of	ADP
ijassa-503	67	39	the	the	DET
ijassa-503	67	40	vector	vector	NOUN
ijassa-503	67	41	element	element	NOUN
ijassa-503	67	42	,	,	PUNCT
ijassa-503	67	43	n	n	X
ijassa-503	67	44	is	be	AUX
ijassa-503	67	45	the	the	DET
ijassa-503	67	46	tolerance	tolerance	NOUN
ijassa-503	67	47	level	level	NOUN
ijassa-503	67	48	showing	show	VERB
ijassa-503	67	49	the	the	DET
ijassa-503	67	50	admissible	admissible	ADJ
ijassa-503	67	51	sequence	sequence	NOUN
ijassa-503	67	52	of	of	ADP
ijassa-503	67	53	deviations	deviation	NOUN
ijassa-503	67	54	of	of	ADP
ijassa-503	67	55	an	an	DET
ijassa-503	67	56	interval	interval	NOUN
ijassa-503	67	57	bound	bind	VERB
ijassa-503	67	58	(	(	PUNCT
ijassa-503	67	59	e.g.	e.g.	ADV
ijassa-503	67	60	0.1	0.1	NUM
ijassa-503	67	61	,	,	PUNCT
ijassa-503	67	62	0.01	0.01	NUM
ijassa-503	67	63	,	,	PUNCT
ijassa-503	67	64	0.001	0.001	NUM
ijassa-503	67	65	)	)	PUNCT
ijassa-503	67	66	.	.	PUNCT
ijassa-503	68	1	to	to	PART
ijassa-503	68	2	train	train	VERB
ijassa-503	68	3	the	the	DET
ijassa-503	68	4	inn	inn	PROPN
ijassa-503	68	5	model	model	NOUN
ijassa-503	68	6	,	,	PUNCT
ijassa-503	68	7	it	it	PRON
ijassa-503	68	8	was	be	AUX
ijassa-503	68	9	offered	offer	VERB
ijassa-503	68	10	to	to	PART
ijassa-503	68	11	use	use	VERB
ijassa-503	68	12	the	the	DET
ijassa-503	68	13	following	following	ADJ
ijassa-503	68	14	interval	interval	NOUN
ijassa-503	68	15	adaptive	adaptive	ADJ
ijassa-503	68	16	algorithm	algorithm	NOUN
ijassa-503	68	17	of	of	ADP
ijassa-503	68	18	global	global	ADJ
ijassa-503	68	19	function	function	NOUN
ijassa-503	68	20	optimization	optimization	NOUN
ijassa-503	68	21	based	base	VERB
ijassa-503	68	22	on	on	ADP
ijassa-503	68	23	weight	weight	NOUN
ijassa-503	68	24	vector	vector	NOUN
ijassa-503	68	25	bisection	bisection	NOUN
ijassa-503	68	26	[	[	X
ijassa-503	68	27	6	6	NUM
ijassa-503	68	28	]	]	PUNCT
ijassa-503	68	29	instead	instead	ADV
ijassa-503	68	30	of	of	ADP
ijassa-503	68	31	interval	interval	NOUN
ijassa-503	68	32	bp	bp	PROPN
ijassa-503	68	33	algorithm	algorithm	PROPN
ijassa-503	68	34	.	.	PUNCT
ijassa-503	69	1	algorithm	algorithm	NOUN
ijassa-503	69	2	1	1	NUM
ijassa-503	69	3	input	input	NOUN
ijassa-503	69	4	:	:	PUNCT
ijassa-503	69	5	the	the	DET
ijassa-503	69	6	minimum	minimum	ADJ
ijassa-503	69	7	width	width	NOUN
ijassa-503	69	8	δ	δ	PROPN
ijassa-503	69	9	>	>	X
ijassa-503	69	10	0	0	NUM
ijassa-503	69	11	of	of	ADP
ijassa-503	69	12	the	the	DET
ijassa-503	69	13	bar	bar	NOUN
ijassa-503	69	14	,	,	PUNCT
ijassa-503	69	15	required	require	VERB
ijassa-503	69	16	training	training	NOUN
ijassa-503	69	17	error	error	NOUN
ijassa-503	69	18	ε	ε	PROPN
ijassa-503	69	19	>	>	X
ijassa-503	69	20	0	0	PROPN
ijassa-503	69	21	.	.	PUNCT
ijassa-503	70	1	output	output	NOUN
ijassa-503	70	2	:	:	PUNCT
ijassa-503	71	1	[	[	X
ijassa-503	71	2	w	w	X
ijassa-503	71	3	]	]	X
ijassa-503	71	4	is	be	AUX
ijassa-503	71	5	the	the	DET
ijassa-503	71	6	weight	weight	NOUN
ijassa-503	71	7	vector	vector	NOUN
ijassa-503	71	8	,	,	PUNCT
ijassa-503	71	9	which	which	PRON
ijassa-503	71	10	is	be	AUX
ijassa-503	71	11	a	a	DET
ijassa-503	71	12	minimum	minimum	NOUN
ijassa-503	71	13	of	of	ADP
ijassa-503	71	14	function	function	NOUN
ijassa-503	71	15	(	(	PUNCT
ijassa-503	71	16	3.6	3.6	NUM
ijassa-503	71	17	)	)	PUNCT
ijassa-503	71	18	;	;	PUNCT
ijassa-503	71	19	j∗	j∗	PROPN
ijassa-503	71	20	is	be	AUX
ijassa-503	71	21	the	the	DET
ijassa-503	71	22	minimum	minimum	ADJ
ijassa-503	71	23	value	value	NOUN
ijassa-503	71	24	of	of	ADP
ijassa-503	71	25	function	function	NOUN
ijassa-503	71	26	(	(	PUNCT
ijassa-503	71	27	3.6	3.6	NUM
ijassa-503	71	28	)	)	PUNCT
ijassa-503	71	29	.	.	PUNCT
ijassa-503	72	1	1	1	X
ijassa-503	72	2	.	.	X
ijassa-503	72	3	initialization	initialization	NOUN
ijassa-503	72	4	of	of	ADP
ijassa-503	72	5	the	the	DET
ijassa-503	72	6	initial	initial	ADJ
ijassa-503	72	7	weights	weight	NOUN
ijassa-503	72	8	of	of	ADP
ijassa-503	72	9	[	[	X
ijassa-503	72	10	w	w	X
ijassa-503	72	11	]	]	X
ijassa-503	72	12	.	.	PUNCT
ijassa-503	73	1	2	2	X
ijassa-503	73	2	.	.	X
ijassa-503	73	3	calculation	calculation	NOUN
ijassa-503	73	4	of	of	ADP
ijassa-503	73	5	inn	inn	PROPN
ijassa-503	73	6	output	output	NOUN
ijassa-503	73	7	y∗	y∗	ADV
ijassa-503	73	8	and	and	CCONJ
ijassa-503	73	9	quality	quality	NOUN
ijassa-503	73	10	function	function	NOUN
ijassa-503	73	11	j∗.	j∗.	PROPN
ijassa-503	73	12	3	3	NUM
ijassa-503	73	13	.	.	PUNCT
ijassa-503	73	14	initialization	initialization	NOUN
ijassa-503	73	15	of	of	ADP
ijassa-503	73	16	list	list	NOUN
ijassa-503	73	17	l	l	NOUN
ijassa-503	74	1	=	=	PUNCT
ijassa-503	75	1	[	[	X
ijassa-503	75	2	w	w	X
ijassa-503	75	3	]	]	X
ijassa-503	75	4	,	,	PUNCT
ijassa-503	75	5	j∗.	j∗.	PROPN
ijassa-503	75	6	4	4	NUM
ijassa-503	75	7	.	.	PUNCT
ijassa-503	75	8	initialization	initialization	NOUN
ijassa-503	75	9	of	of	ADP
ijassa-503	75	10	bisection	bisection	NOUN
ijassa-503	75	11	coordinate	coordinate	NOUN
ijassa-503	75	12	l	l	NOUN
ijassa-503	75	13	=	=	SYM
ijassa-503	75	14	0	0	NUM
ijassa-503	75	15	and	and	CCONJ
ijassa-503	75	16	iteration	iteration	NOUN
ijassa-503	75	17	counter	counter	NOUN
ijassa-503	75	18	c	c	PROPN
ijassa-503	75	19	=	=	SYM
ijassa-503	75	20	0	0	PROPN
ijassa-503	75	21	(	(	PUNCT
ijassa-503	75	22	which	which	PRON
ijassa-503	75	23	counts	count	VERB
ijassa-503	75	24	iterations	iteration	NOUN
ijassa-503	75	25	needed	need	VERB
ijassa-503	75	26	for	for	ADP
ijassa-503	75	27	exiting	exit	VERB
ijassa-503	75	28	the	the	DET
ijassa-503	75	29	cycle	cycle	NOUN
ijassa-503	75	30	)	)	PUNCT
ijassa-503	75	31	.	.	PUNCT
ijassa-503	76	1	5	5	X
ijassa-503	76	2	.	.	X
ijassa-503	76	3	cycle	cycle	NOUN
ijassa-503	76	4	:	:	PUNCT
ijassa-503	76	5	as	as	ADV
ijassa-503	76	6	long	long	ADV
ijassa-503	76	7	as	as	ADP
ijassa-503	76	8	minwidni=1[wi	minwidni=1[wi	NOUN
ijassa-503	76	9	]	]	PUNCT
ijassa-503	76	10	>	>	PUNCT
ijassa-503	76	11	δ	δ	PROPN
ijassa-503	76	12	and	and	CCONJ
ijassa-503	76	13	j∗	j∗	PROPN
ijassa-503	76	14	>	>	X
ijassa-503	76	15	ε	ε	PROPN
ijassa-503	76	16	.	.	PUNCT
ijassa-503	77	1	(	(	PUNCT
ijassa-503	77	2	a	a	X
ijassa-503	77	3	)	)	PUNCT
ijassa-503	77	4	calculation	calculation	NOUN
ijassa-503	77	5	of	of	ADP
ijassa-503	77	6	bisection	bisection	NOUN
ijassa-503	77	7	coordinate	coordinate	NOUN
ijassa-503	77	8	l	l	NOUN
ijassa-503	77	9	=	=	PUNCT
ijassa-503	78	1	l	l	NOUN
ijassa-503	79	1	+	+	NOUN
ijassa-503	79	2	1	1	X
ijassa-503	79	3	.	.	PUNCT
ijassa-503	79	4	if	if	SCONJ
ijassa-503	79	5	l	l	NOUN
ijassa-503	79	6	exceeds	exceed	VERB
ijassa-503	79	7	the	the	DET
ijassa-503	79	8	weight	weight	NOUN
ijassa-503	79	9	vector	vector	NOUN
ijassa-503	79	10	,	,	PUNCT
ijassa-503	79	11	then	then	ADV
ijassa-503	79	12	l	l	NOUN
ijassa-503	79	13	=	=	PUNCT
ijassa-503	79	14	l.	l.	PROPN
ijassa-503	79	15	(	(	PUNCT
ijassa-503	79	16	b	b	NOUN
ijassa-503	79	17	)	)	PUNCT
ijassa-503	79	18	bisection	bisection	NOUN
ijassa-503	79	19	of	of	ADP
ijassa-503	79	20	[	[	X
ijassa-503	79	21	w	w	X
ijassa-503	79	22	]	]	X
ijassa-503	79	23	in	in	ADP
ijassa-503	79	24	coordinate	coordinate	NOUN
ijassa-503	79	25	l	l	NOUN
ijassa-503	79	26	into	into	ADP
ijassa-503	79	27	[	[	X
ijassa-503	79	28	w′	w′	X
ijassa-503	79	29	]	]	PUNCT
ijassa-503	79	30	and	and	CCONJ
ijassa-503	79	31	[	[	X
ijassa-503	79	32	w′′	w′′	NOUN
ijassa-503	79	33	]	]	PUNCT
ijassa-503	79	34	.	.	PUNCT
ijassa-503	80	1	(	(	PUNCT
ijassa-503	80	2	c	c	X
ijassa-503	80	3	)	)	PUNCT
ijassa-503	80	4	calculation	calculation	NOUN
ijassa-503	80	5	of	of	ADP
ijassa-503	80	6	inn	inn	PROPN
ijassa-503	80	7	outputs	output	NOUN
ijassa-503	80	8	y∗	y∗	ADV
ijassa-503	80	9	and	and	CCONJ
ijassa-503	80	10	quality	quality	NOUN
ijassa-503	80	11	functions	function	NOUN
ijassa-503	80	12	j	j	PROPN
ijassa-503	81	1	′	′	NUM
ijassa-503	82	1	and	and	CCONJ
ijassa-503	82	2	j	j	PROPN
ijassa-503	82	3	′′.	′′.	PROPN
ijassa-503	82	4	(	(	PUNCT
ijassa-503	82	5	d	d	NOUN
ijassa-503	82	6	)	)	PUNCT
ijassa-503	82	7	if	if	SCONJ
ijassa-503	82	8	j	j	PROPN
ijassa-503	82	9	′	′	VERB
ijassa-503	82	10	>	>	X
ijassa-503	82	11	j∗	j∗	PROPN
ijassa-503	82	12	and	and	CCONJ
ijassa-503	82	13	j	j	PROPN
ijassa-503	83	1	′′	′′	PROPN
ijassa-503	83	2	>	>	X
ijassa-503	83	3	j∗	j∗	PROPN
ijassa-503	83	4	,	,	PUNCT
ijassa-503	83	5	then	then	ADV
ijassa-503	83	6	go	go	VERB
ijassa-503	83	7	to	to	PART
ijassa-503	83	8	step	step	VERB
ijassa-503	83	9	5e	5e	NOUN
ijassa-503	83	10	.	.	PUNCT
ijassa-503	84	1	otherwise	otherwise	ADV
ijassa-503	84	2	,	,	PUNCT
ijassa-503	84	3	go	go	VERB
ijassa-503	84	4	to	to	PART
ijassa-503	84	5	step	step	NOUN
ijassa-503	84	6	5f	5f	NOUN
ijassa-503	84	7	.	.	PUNCT
ijassa-503	85	1	(	(	PUNCT
ijassa-503	85	2	e	e	NOUN
ijassa-503	85	3	)	)	PUNCT
ijassa-503	85	4	assignment	assignment	NOUN
ijassa-503	85	5	c	c	NOUN
ijassa-503	85	6	=	=	PUNCT
ijassa-503	85	7	c+	c+	VERB
ijassa-503	85	8	1	1	X
ijassa-503	85	9	.	.	PUNCT
ijassa-503	86	1	if	if	SCONJ
ijassa-503	86	2	c	c	PROPN
ijassa-503	86	3	is	be	AUX
ijassa-503	86	4	not	not	PART
ijassa-503	86	5	equal	equal	ADJ
ijassa-503	86	6	to	to	ADP
ijassa-503	86	7	the	the	DET
ijassa-503	86	8	weight	weight	NOUN
ijassa-503	86	9	vector	vector	NOUN
ijassa-503	86	10	value	value	NOUN
ijassa-503	86	11	,	,	PUNCT
ijassa-503	86	12	then	then	ADV
ijassa-503	86	13	go	go	VERB
ijassa-503	86	14	to	to	PART
ijassa-503	86	15	step	step	VERB
ijassa-503	86	16	5a	5a	NUM
ijassa-503	86	17	.	.	PUNCT
ijassa-503	87	1	otherwise	otherwise	ADV
ijassa-503	87	2	,	,	PUNCT
ijassa-503	87	3	exit	exit	VERB
ijassa-503	87	4	the	the	DET
ijassa-503	87	5	cycle	cycle	NOUN
ijassa-503	87	6	.	.	PUNCT
ijassa-503	88	1	(	(	PUNCT
ijassa-503	88	2	f	f	X
ijassa-503	88	3	)	)	PUNCT
ijassa-503	88	4	deletion	deletion	NOUN
ijassa-503	88	5	of	of	ADP
ijassa-503	88	6	element	element	NOUN
ijassa-503	88	7	(	(	PUNCT
ijassa-503	88	8	[	[	X
ijassa-503	88	9	w	w	X
ijassa-503	88	10	]	]	X
ijassa-503	88	11	,	,	PUNCT
ijassa-503	88	12	j∗	j∗	PROPN
ijassa-503	88	13	)	)	PUNCT
ijassa-503	88	14	from	from	ADP
ijassa-503	88	15	l.	l.	PROPN
ijassa-503	88	16	(	(	PUNCT
ijassa-503	88	17	g	g	NOUN
ijassa-503	88	18	)	)	PUNCT
ijassa-503	88	19	addition	addition	NOUN
ijassa-503	88	20	of	of	ADP
ijassa-503	88	21	(	(	PUNCT
ijassa-503	88	22	[	[	X
ijassa-503	88	23	w′	w′	NOUN
ijassa-503	88	24	]	]	X
ijassa-503	88	25	,	,	PUNCT
ijassa-503	88	26	j	j	PROPN
ijassa-503	88	27	′	′	NUM
ijassa-503	88	28	)	)	PUNCT
ijassa-503	88	29	and	and	CCONJ
ijassa-503	88	30	(	(	PUNCT
ijassa-503	88	31	[	[	X
ijassa-503	88	32	w′′	w′′	NOUN
ijassa-503	88	33	]	]	PUNCT
ijassa-503	88	34	,	,	PUNCT
ijassa-503	88	35	j	j	PROPN
ijassa-503	88	36	′′	′′	PROPN
ijassa-503	88	37	)	)	PUNCT
ijassa-503	88	38	to	to	PART
ijassa-503	88	39	list	list	VERB
ijassa-503	88	40	l.	l.	PROPN
ijassa-503	88	41	(	(	PUNCT
ijassa-503	88	42	h	h	NOUN
ijassa-503	88	43	)	)	PUNCT
ijassa-503	88	44	arrangement	arrangement	NOUN
ijassa-503	88	45	of	of	ADP
ijassa-503	88	46	list	list	NOUN
ijassa-503	88	47	l	l	NOUN
ijassa-503	88	48	in	in	ADP
ijassa-503	88	49	ascending	ascend	VERB
ijassa-503	88	50	order	order	NOUN
ijassa-503	88	51	by	by	ADP
ijassa-503	88	52	the	the	DET
ijassa-503	88	53	value	value	NOUN
ijassa-503	88	54	of	of	ADP
ijassa-503	88	55	the	the	DET
ijassa-503	88	56	second	second	ADJ
ijassa-503	88	57	field	field	NOUN
ijassa-503	88	58	.	.	PUNCT
ijassa-503	89	1	(	(	PUNCT
ijassa-503	89	2	i	i	NOUN
ijassa-503	89	3	)	)	PUNCT
ijassa-503	89	4	the	the	DET
ijassa-503	89	5	first	first	ADJ
ijassa-503	89	6	record	record	NOUN
ijassa-503	89	7	is	be	AUX
ijassa-503	89	8	denoted	denote	VERB
ijassa-503	89	9	by	by	ADP
ijassa-503	89	10	(	(	PUNCT
ijassa-503	89	11	[	[	X
ijassa-503	89	12	w	w	X
ijassa-503	89	13	]	]	X
ijassa-503	89	14	,	,	PUNCT
ijassa-503	89	15	j∗	j∗	PROPN
ijassa-503	89	16	)	)	PUNCT
ijassa-503	89	17	.	.	PUNCT
ijassa-503	90	1	thus	thus	ADV
ijassa-503	90	2	,	,	PUNCT
ijassa-503	90	3	usage	usage	NOUN
ijassa-503	90	4	of	of	ADP
ijassa-503	90	5	the	the	DET
ijassa-503	90	6	proposed	propose	VERB
ijassa-503	90	7	error	error	NOUN
ijassa-503	90	8	function	function	NOUN
ijassa-503	90	9	and	and	CCONJ
ijassa-503	90	10	learning	learn	VERB
ijassa-503	90	11	algorithm	algorithm	NOUN
ijassa-503	90	12	makes	make	VERB
ijassa-503	90	13	it	it	PRON
ijassa-503	90	14	possible	possible	ADJ
ijassa-503	90	15	to	to	PART
ijassa-503	90	16	guarantee	guarantee	VERB
ijassa-503	90	17	that	that	SCONJ
ijassa-503	90	18	output	output	NOUN
ijassa-503	90	19	interval	interval	NOUN
ijassa-503	90	20	contains	contain	VERB
ijassa-503	90	21	exact	exact	ADJ
ijassa-503	90	22	solution	solution	NOUN
ijassa-503	90	23	.	.	PUNCT
ijassa-503	91	1	copyright	copyright	NOUN
ijassa-503	91	2	c	c	ADP
ijassa-503	91	3	©	©	PROPN
ijassa-503	91	4	2017	2017	NUM
ijassa-503	91	5	assa	assa	NOUN
ijassa-503	91	6	.	.	PUNCT
ijassa-503	92	1	adv	adv	PROPN
ijassa-503	92	2	syst	syst	PROPN
ijassa-503	92	3	sci	sci	PROPN
ijassa-503	92	4	appl	appl	PROPN
ijassa-503	92	5	(	(	PUNCT
ijassa-503	92	6	2017	2017	NUM
ijassa-503	92	7	)	)	PUNCT
ijassa-503	92	8	interval	interval	NOUN
ijassa-503	92	9	-	-	PUNCT
ijassa-503	92	10	valued	value	VERB
ijassa-503	92	11	data	datum	NOUN
ijassa-503	92	12	forecasting	forecasting	NOUN
ijassa-503	92	13	using	use	VERB
ijassa-503	92	14	dual	dual	ADJ
ijassa-503	92	15	-	-	PUNCT
ijassa-503	92	16	parametric	parametric	ADJ
ijassa-503	92	17	neural	neural	ADJ
ijassa-503	92	18	networks	network	NOUN
ijassa-503	92	19	45	45	NUM
ijassa-503	92	20	it	it	PRON
ijassa-503	92	21	is	be	AUX
ijassa-503	92	22	known	know	VERB
ijassa-503	92	23	that	that	SCONJ
ijassa-503	92	24	a	a	DET
ijassa-503	92	25	result	result	NOUN
ijassa-503	92	26	of	of	ADP
ijassa-503	92	27	calculating	calculate	VERB
ijassa-503	92	28	a	a	DET
ijassa-503	92	29	function	function	NOUN
ijassa-503	92	30	in	in	ADP
ijassa-503	92	31	interval	interval	NOUN
ijassa-503	92	32	analysis	analysis	NOUN
ijassa-503	92	33	depends	depend	VERB
ijassa-503	92	34	on	on	ADP
ijassa-503	92	35	the	the	DET
ijassa-503	92	36	way	way	NOUN
ijassa-503	92	37	the	the	DET
ijassa-503	92	38	variable	variable	NOUN
ijassa-503	92	39	is	be	AUX
ijassa-503	92	40	represented	represent	VERB
ijassa-503	92	41	in	in	ADP
ijassa-503	92	42	the	the	DET
ijassa-503	92	43	formal	formal	ADJ
ijassa-503	92	44	expression	expression	NOUN
ijassa-503	92	45	.	.	PUNCT
ijassa-503	93	1	to	to	PART
ijassa-503	93	2	obtain	obtain	VERB
ijassa-503	93	3	a	a	DET
ijassa-503	93	4	more	more	ADV
ijassa-503	93	5	accurate	accurate	ADJ
ijassa-503	93	6	value	value	NOUN
ijassa-503	93	7	the	the	DET
ijassa-503	93	8	number	number	NOUN
ijassa-503	93	9	of	of	ADP
ijassa-503	93	10	variables	variable	NOUN
ijassa-503	93	11	contained	contain	VERB
ijassa-503	93	12	in	in	ADP
ijassa-503	93	13	the	the	DET
ijassa-503	93	14	formal	formal	ADJ
ijassa-503	93	15	expression	expression	NOUN
ijassa-503	93	16	should	should	AUX
ijassa-503	93	17	be	be	AUX
ijassa-503	93	18	minimized	minimize	VERB
ijassa-503	93	19	.	.	PUNCT
ijassa-503	94	1	in	in	ADP
ijassa-503	94	2	the	the	DET
ijassa-503	94	3	above	above	ADJ
ijassa-503	94	4	formulation	formulation	NOUN
ijassa-503	94	5	of	of	ADP
ijassa-503	94	6	the	the	DET
ijassa-503	94	7	problem	problem	NOUN
ijassa-503	94	8	it	it	PRON
ijassa-503	94	9	means	mean	VERB
ijassa-503	94	10	that	that	SCONJ
ijassa-503	94	11	the	the	DET
ijassa-503	94	12	number	number	NOUN
ijassa-503	94	13	of	of	ADP
ijassa-503	94	14	layers	layer	NOUN
ijassa-503	94	15	should	should	AUX
ijassa-503	94	16	be	be	AUX
ijassa-503	94	17	minimized	minimize	VERB
ijassa-503	94	18	too	too	ADV
ijassa-503	94	19	.	.	PUNCT
ijassa-503	95	1	this	this	DET
ijassa-503	95	2	conclusion	conclusion	NOUN
ijassa-503	95	3	is	be	AUX
ijassa-503	95	4	confirmed	confirm	VERB
ijassa-503	95	5	by	by	ADP
ijassa-503	95	6	experimental	experimental	ADJ
ijassa-503	95	7	results	result	NOUN
ijassa-503	95	8	of	of	ADP
ijassa-503	95	9	previous	previous	ADJ
ijassa-503	95	10	research	research	NOUN
ijassa-503	95	11	.	.	PUNCT
ijassa-503	96	1	thus	thus	ADV
ijassa-503	96	2	,	,	PUNCT
ijassa-503	96	3	minimizing	minimize	VERB
ijassa-503	96	4	ofnn	ofnn	NOUN
ijassa-503	96	5	layers	layer	NOUN
ijassa-503	96	6	improves	improve	VERB
ijassa-503	96	7	accuracy	accuracy	NOUN
ijassa-503	96	8	of	of	ADP
ijassa-503	96	9	training	training	NOUN
ijassa-503	96	10	.	.	PUNCT
ijassa-503	97	1	but	but	CCONJ
ijassa-503	97	2	a	a	DET
ijassa-503	97	3	too	too	ADV
ijassa-503	97	4	small	small	ADJ
ijassa-503	97	5	number	number	NOUN
ijassa-503	97	6	of	of	ADP
ijassa-503	97	7	layers	layer	NOUN
ijassa-503	97	8	reduces	reduce	VERB
ijassa-503	97	9	ability	ability	NOUN
ijassa-503	97	10	of	of	ADP
ijassa-503	97	11	inn	inn	PROPN
ijassa-503	97	12	to	to	ADP
ijassa-503	97	13	approximation	approximation	NOUN
ijassa-503	97	14	.	.	PUNCT
ijassa-503	98	1	this	this	DET
ijassa-503	98	2	conflict	conflict	NOUN
ijassa-503	98	3	was	be	AUX
ijassa-503	98	4	overcome	overcome	VERB
ijassa-503	98	5	by	by	ADP
ijassa-503	98	6	introduction	introduction	NOUN
ijassa-503	98	7	of	of	ADP
ijassa-503	98	8	the	the	DET
ijassa-503	98	9	new	new	ADJ
ijassa-503	98	10	subclass	subclass	NOUN
ijassa-503	98	11	of	of	ADP
ijassa-503	98	12	inn	inn	PROPN
ijassa-503	98	13	.	.	PROPN
ijassa-503	99	1	3.2	3.2	NUM
ijassa-503	99	2	.	.	PUNCT
ijassa-503	100	1	dual	dual	ADJ
ijassa-503	100	2	-	-	PUNCT
ijassa-503	100	3	parametric	parametric	ADJ
ijassa-503	100	4	neural	neural	ADJ
ijassa-503	100	5	network	network	NOUN
ijassa-503	100	6	dual	dual	ADJ
ijassa-503	100	7	-	-	PUNCT
ijassa-503	100	8	parametric	parametric	ADJ
ijassa-503	100	9	neuron	neuron	NOUN
ijassa-503	100	10	network	network	NOUN
ijassa-503	100	11	(	(	PUNCT
ijassa-503	100	12	dpnn	dpnn	PROPN
ijassa-503	100	13	)	)	PUNCT
ijassa-503	100	14	is	be	AUX
ijassa-503	100	15	a	a	DET
ijassa-503	100	16	subclass	subclass	NOUN
ijassa-503	100	17	of	of	ADP
ijassa-503	100	18	inn	inn	PROPN
ijassa-503	100	19	that	that	PRON
ijassa-503	100	20	contains	contain	VERB
ijassa-503	100	21	two	two	NUM
ijassa-503	100	22	types	type	NOUN
ijassa-503	100	23	of	of	ADP
ijassa-503	100	24	parameters	parameter	NOUN
ijassa-503	100	25	:	:	PUNCT
ijassa-503	100	26	real	real	ADJ
ijassa-503	100	27	and	and	CCONJ
ijassa-503	100	28	interval	interval	NOUN
ijassa-503	100	29	ones	one	NOUN
ijassa-503	100	30	.	.	PUNCT
ijassa-503	101	1	a	a	DET
ijassa-503	101	2	dpnn	dpnn	NOUN
ijassa-503	101	3	model	model	NOUN
ijassa-503	101	4	with	with	ADP
ijassa-503	101	5	a	a	DET
ijassa-503	101	6	single	single	ADJ
ijassa-503	101	7	interval	interval	NOUN
ijassa-503	101	8	output	output	NOUN
ijassa-503	101	9	contains	contain	VERB
ijassa-503	101	10	:	:	PUNCT
ijassa-503	101	11	•	•	NUM
ijassa-503	101	12	n	n	CCONJ
ijassa-503	101	13	interval	interval	NOUN
ijassa-503	101	14	output	output	NOUN
ijassa-503	101	15	neurons	neuron	NOUN
ijassa-503	101	16	;	;	PUNCT
ijassa-503	101	17	•	•	NUM
ijassa-503	101	18	m	m	VERB
ijassa-503	101	19	hidden	hide	VERB
ijassa-503	101	20	layers	layer	NOUN
ijassa-503	101	21	;	;	PUNCT
ijassa-503	101	22	•	•	NUM
ijassa-503	101	23	real	real	ADJ
ijassa-503	101	24	neuron	neuron	NOUN
ijassa-503	101	25	weights	weight	VERB
ijassa-503	101	26	in	in	ADP
ijassa-503	101	27	all	all	DET
ijassa-503	101	28	layers	layer	NOUN
ijassa-503	101	29	(	(	PUNCT
ijassa-503	101	30	from	from	ADP
ijassa-503	101	31	layer	layer	NOUN
ijassa-503	101	32	1	1	NUM
ijassa-503	101	33	to	to	ADP
ijassa-503	101	34	layer	layer	NOUN
ijassa-503	101	35	m−	m−	PROPN
ijassa-503	101	36	1	1	NUM
ijassa-503	101	37	)	)	PUNCT
ijassa-503	101	38	;	;	PUNCT
ijassa-503	101	39	•	•	NUM
ijassa-503	101	40	interval	interval	NOUN
ijassa-503	101	41	neuron	neuron	NOUN
ijassa-503	101	42	weights	weight	VERB
ijassa-503	101	43	in	in	ADP
ijassa-503	101	44	layer	layer	NOUN
ijassa-503	101	45	m.	m.	NOUN
ijassa-503	101	46	besides	besides	SCONJ
ijassa-503	101	47	,	,	PUNCT
ijassa-503	101	48	input	input	NOUN
ijassa-503	101	49	and	and	CCONJ
ijassa-503	101	50	output	output	NOUN
ijassa-503	101	51	values	value	NOUN
ijassa-503	101	52	are	be	AUX
ijassa-503	101	53	also	also	ADV
ijassa-503	101	54	interval	interval	NOUN
ijassa-503	101	55	.	.	PUNCT
ijassa-503	102	1	in	in	ADP
ijassa-503	102	2	the	the	DET
ijassa-503	102	3	case	case	NOUN
ijassa-503	102	4	when	when	SCONJ
ijassa-503	102	5	input	input	NOUN
ijassa-503	102	6	or	or	CCONJ
ijassa-503	102	7	output	output	NOUN
ijassa-503	102	8	values	value	NOUN
ijassa-503	102	9	should	should	AUX
ijassa-503	102	10	be	be	AUX
ijassa-503	102	11	real	real	ADJ
ijassa-503	102	12	it	it	PRON
ijassa-503	102	13	is	be	AUX
ijassa-503	102	14	possible	possible	ADJ
ijassa-503	102	15	to	to	PART
ijassa-503	102	16	represent	represent	VERB
ijassa-503	102	17	them	they	PRON
ijassa-503	102	18	as	as	ADP
ijassa-503	102	19	intervals	interval	NOUN
ijassa-503	102	20	whose	whose	DET
ijassa-503	102	21	left	left	ADJ
ijassa-503	102	22	and	and	CCONJ
ijassa-503	102	23	right	right	ADJ
ijassa-503	102	24	bounds	bound	NOUN
ijassa-503	102	25	are	be	AUX
ijassa-503	102	26	equal	equal	ADJ
ijassa-503	102	27	.	.	PUNCT
ijassa-503	103	1	real	real	ADJ
ijassa-503	103	2	weights	weight	NOUN
ijassa-503	103	3	make	make	VERB
ijassa-503	103	4	it	it	PRON
ijassa-503	103	5	possible	possible	ADJ
ijassa-503	103	6	to	to	PART
ijassa-503	103	7	get	get	VERB
ijassa-503	103	8	high	high	ADJ
ijassa-503	103	9	quality	quality	NOUN
ijassa-503	103	10	of	of	ADP
ijassa-503	103	11	learning	learning	NOUN
ijassa-503	103	12	of	of	ADP
ijassa-503	103	13	the	the	DET
ijassa-503	103	14	neural	neural	ADJ
ijassa-503	103	15	network	network	NOUN
ijassa-503	103	16	model	model	NOUN
ijassa-503	103	17	.	.	PUNCT
ijassa-503	104	1	interval	interval	NOUN
ijassa-503	104	2	weights	weight	NOUN
ijassa-503	104	3	guarantees	guarantee	VERB
ijassa-503	104	4	that	that	SCONJ
ijassa-503	104	5	the	the	DET
ijassa-503	104	6	intervals	interval	NOUN
ijassa-503	104	7	of	of	ADP
ijassa-503	104	8	the	the	DET
ijassa-503	104	9	training	training	NOUN
ijassa-503	104	10	examples	example	NOUN
ijassa-503	104	11	will	will	AUX
ijassa-503	104	12	be	be	AUX
ijassa-503	104	13	fully	fully	ADV
ijassa-503	104	14	included	include	VERB
ijassa-503	104	15	in	in	ADP
ijassa-503	104	16	the	the	DET
ijassa-503	104	17	output	output	NOUN
ijassa-503	104	18	intervals	interval	NOUN
ijassa-503	104	19	of	of	ADP
ijassa-503	104	20	the	the	DET
ijassa-503	104	21	network	network	NOUN
ijassa-503	104	22	.	.	PUNCT
ijassa-503	105	1	thus	thus	ADV
ijassa-503	105	2	,	,	PUNCT
ijassa-503	105	3	it	it	PRON
ijassa-503	105	4	is	be	AUX
ijassa-503	105	5	possible	possible	ADJ
ijassa-503	105	6	to	to	PART
ijassa-503	105	7	guarantee	guarantee	VERB
ijassa-503	105	8	that	that	SCONJ
ijassa-503	105	9	output	output	NOUN
ijassa-503	105	10	intervals	interval	NOUN
ijassa-503	105	11	contains	contain	VERB
ijassa-503	105	12	single	single	ADJ
ijassa-503	105	13	-	-	PUNCT
ijassa-503	105	14	point	point	NOUN
ijassa-503	105	15	solutions	solution	NOUN
ijassa-503	105	16	.	.	PUNCT
ijassa-503	106	1	for	for	ADP
ijassa-503	106	2	the	the	DET
ijassa-503	106	3	purpose	purpose	NOUN
ijassa-503	106	4	of	of	ADP
ijassa-503	106	5	training	train	VERB
ijassa-503	106	6	the	the	DET
ijassa-503	106	7	dpnn	dpnn	NOUN
ijassa-503	106	8	,	,	PUNCT
ijassa-503	106	9	it	it	PRON
ijassa-503	106	10	was	be	AUX
ijassa-503	106	11	proposed	propose	VERB
ijassa-503	106	12	in	in	ADP
ijassa-503	106	13	previous	previous	ADJ
ijassa-503	106	14	research	research	NOUN
ijassa-503	106	15	to	to	PART
ijassa-503	106	16	use	use	VERB
ijassa-503	106	17	an	an	DET
ijassa-503	106	18	algorithm	algorithm	NOUN
ijassa-503	106	19	combining	combine	VERB
ijassa-503	106	20	the	the	DET
ijassa-503	106	21	interval	interval	NOUN
ijassa-503	106	22	bp	bp	PROPN
ijassa-503	106	23	method	method	NOUN
ijassa-503	106	24	and	and	CCONJ
ijassa-503	106	25	the	the	DET
ijassa-503	106	26	global	global	ADJ
ijassa-503	106	27	optimization	optimization	NOUN
ijassa-503	106	28	algorithm	algorithm	NOUN
ijassa-503	106	29	for	for	ADP
ijassa-503	106	30	interval	interval	NOUN
ijassa-503	106	31	values	value	NOUN
ijassa-503	106	32	.	.	PUNCT
ijassa-503	107	1	1	1	X
ijassa-503	107	2	.	.	X
ijassa-503	107	3	at	at	ADP
ijassa-503	107	4	the	the	DET
ijassa-503	107	5	first	first	ADJ
ijassa-503	107	6	stage	stage	NOUN
ijassa-503	107	7	,	,	PUNCT
ijassa-503	107	8	the	the	DET
ijassa-503	107	9	real	real	ADJ
ijassa-503	107	10	weights	weight	NOUN
ijassa-503	107	11	are	be	AUX
ijassa-503	107	12	trained	train	VERB
ijassa-503	107	13	using	use	VERB
ijassa-503	107	14	the	the	DET
ijassa-503	107	15	interval	interval	NOUN
ijassa-503	107	16	bp	bp	PROPN
ijassa-503	107	17	algorithm	algorithm	PROPN
ijassa-503	107	18	.	.	PUNCT
ijassa-503	108	1	2	2	X
ijassa-503	108	2	.	.	X
ijassa-503	108	3	at	at	ADP
ijassa-503	108	4	the	the	DET
ijassa-503	108	5	second	second	ADJ
ijassa-503	108	6	stage	stage	NOUN
ijassa-503	108	7	,	,	PUNCT
ijassa-503	108	8	the	the	DET
ijassa-503	108	9	resulting	result	VERB
ijassa-503	108	10	weights	weight	NOUN
ijassa-503	108	11	are	be	AUX
ijassa-503	108	12	only	only	ADV
ijassa-503	108	13	used	use	VERB
ijassa-503	108	14	to	to	PART
ijassa-503	108	15	initialize	initialize	VERB
ijassa-503	108	16	the	the	DET
ijassa-503	108	17	model	model	NOUN
ijassa-503	108	18	,	,	PUNCT
ijassa-503	108	19	followed	follow	VERB
ijassa-503	108	20	by	by	ADP
ijassa-503	108	21	the	the	DET
ijassa-503	108	22	training	training	NOUN
ijassa-503	108	23	of	of	ADP
ijassa-503	108	24	interval	interval	NOUN
ijassa-503	108	25	weights	weight	NOUN
ijassa-503	108	26	by	by	ADP
ijassa-503	108	27	means	mean	NOUN
ijassa-503	108	28	of	of	ADP
ijassa-503	108	29	the	the	DET
ijassa-503	108	30	interval	interval	NOUN
ijassa-503	108	31	global	global	ADJ
ijassa-503	108	32	optimization	optimization	NOUN
ijassa-503	108	33	algorithm	algorithm	NOUN
ijassa-503	108	34	.	.	PUNCT
ijassa-503	109	1	besides	besides	SCONJ
ijassa-503	109	2	,	,	PUNCT
ijassa-503	109	3	a	a	DET
ijassa-503	109	4	structural	structural	ADJ
ijassa-503	109	5	identification	identification	NOUN
ijassa-503	109	6	algorithm	algorithm	NOUN
ijassa-503	109	7	was	be	AUX
ijassa-503	109	8	developed	develop	VERB
ijassa-503	109	9	for	for	ADP
ijassa-503	109	10	dpnn	dpnn	NOUN
ijassa-503	109	11	models	model	NOUN
ijassa-503	109	12	with	with	ADP
ijassa-503	109	13	one	one	NUM
ijassa-503	109	14	hidden	hide	VERB
ijassa-503	109	15	layer	layer	NOUN
ijassa-503	109	16	.	.	PUNCT
ijassa-503	110	1	it	it	PRON
ijassa-503	110	2	allows	allow	VERB
ijassa-503	110	3	for	for	ADP
ijassa-503	110	4	selecting	select	VERB
ijassa-503	110	5	the	the	DET
ijassa-503	110	6	optimal	optimal	ADJ
ijassa-503	110	7	number	number	NOUN
ijassa-503	110	8	of	of	ADP
ijassa-503	110	9	neurons	neuron	NOUN
ijassa-503	110	10	,	,	PUNCT
ijassa-503	110	11	which	which	PRON
ijassa-503	110	12	are	be	AUX
ijassa-503	110	13	consecutively	consecutively	ADV
ijassa-503	110	14	added	add	VERB
ijassa-503	110	15	to	to	ADP
ijassa-503	110	16	the	the	DET
ijassa-503	110	17	hidden	hide	VERB
ijassa-503	110	18	layer	layer	NOUN
ijassa-503	110	19	until	until	SCONJ
ijassa-503	110	20	the	the	DET
ijassa-503	110	21	training	training	NOUN
ijassa-503	110	22	error	error	NOUN
ijassa-503	110	23	is	be	AUX
ijassa-503	110	24	reduced	reduce	VERB
ijassa-503	110	25	.	.	PUNCT
ijassa-503	111	1	3.3	3.3	NUM
ijassa-503	111	2	.	.	PUNCT
ijassa-503	112	1	learning	learn	VERB
ijassa-503	112	2	algorithm	algorithm	NOUN
ijassa-503	112	3	based	base	VERB
ijassa-503	112	4	on	on	ADP
ijassa-503	112	5	the	the	DET
ijassa-503	112	6	intervals	interval	NOUN
ijassa-503	112	7	extension	extension	NOUN
ijassa-503	112	8	procedure	procedure	NOUN
ijassa-503	112	9	as	as	SCONJ
ijassa-503	112	10	we	we	PRON
ijassa-503	112	11	note	note	VERB
ijassa-503	112	12	earlier	early	ADV
ijassa-503	112	13	to	to	PART
ijassa-503	112	14	train	train	VERB
ijassa-503	112	15	the	the	DET
ijassa-503	112	16	second	second	ADJ
ijassa-503	112	17	stage	stage	NOUN
ijassa-503	112	18	model	model	NOUN
ijassa-503	112	19	of	of	ADP
ijassa-503	112	20	dpnn	dpnn	PRON
ijassa-503	112	21	we	we	PRON
ijassa-503	112	22	use	use	VERB
ijassa-503	112	23	the	the	DET
ijassa-503	112	24	interval	interval	NOUN
ijassa-503	112	25	global	global	ADJ
ijassa-503	112	26	optimization	optimization	NOUN
ijassa-503	112	27	algorithm	algorithm	NOUN
ijassa-503	112	28	based	base	VERB
ijassa-503	112	29	on	on	ADP
ijassa-503	112	30	bisection	bisection	NOUN
ijassa-503	112	31	of	of	ADP
ijassa-503	112	32	weight	weight	NOUN
ijassa-503	112	33	vector	vector	NOUN
ijassa-503	112	34	.	.	PUNCT
ijassa-503	113	1	this	this	DET
ijassa-503	113	2	approach	approach	NOUN
ijassa-503	113	3	has	have	VERB
ijassa-503	113	4	several	several	ADJ
ijassa-503	113	5	drawbacks	drawback	NOUN
ijassa-503	113	6	.	.	PUNCT
ijassa-503	114	1	one	one	NUM
ijassa-503	114	2	of	of	ADP
ijassa-503	114	3	them	they	PRON
ijassa-503	114	4	is	be	AUX
ijassa-503	114	5	that	that	SCONJ
ijassa-503	114	6	the	the	DET
ijassa-503	114	7	initial	initial	ADJ
ijassa-503	114	8	intervals	interval	NOUN
ijassa-503	114	9	of	of	ADP
ijassa-503	114	10	the	the	DET
ijassa-503	114	11	weight	weight	NOUN
ijassa-503	114	12	vector	vector	NOUN
ijassa-503	114	13	need	need	VERB
ijassa-503	114	14	to	to	PART
ijassa-503	114	15	have	have	VERB
ijassa-503	114	16	enough	enough	ADJ
ijassa-503	114	17	width	width	NOUN
ijassa-503	114	18	.	.	PUNCT
ijassa-503	115	1	this	this	DET
ijassa-503	115	2	width	width	NOUN
ijassa-503	115	3	should	should	AUX
ijassa-503	115	4	be	be	AUX
ijassa-503	115	5	enough	enough	ADJ
ijassa-503	115	6	to	to	PART
ijassa-503	115	7	include	include	VERB
ijassa-503	115	8	training	train	VERB
ijassa-503	115	9	data	datum	NOUN
ijassa-503	115	10	outputs	output	NOUN
ijassa-503	115	11	into	into	ADP
ijassa-503	115	12	the	the	DET
ijassa-503	115	13	model	model	NOUN
ijassa-503	115	14	outputs	output	NOUN
ijassa-503	115	15	for	for	ADP
ijassa-503	115	16	all	all	DET
ijassa-503	115	17	examples	example	NOUN
ijassa-503	115	18	in	in	ADP
ijassa-503	115	19	a	a	DET
ijassa-503	115	20	training	training	NOUN
ijassa-503	115	21	set	set	VERB
ijassa-503	115	22	when	when	SCONJ
ijassa-503	115	23	the	the	DET
ijassa-503	115	24	signal	signal	NOUN
ijassa-503	115	25	passes	pass	VERB
ijassa-503	115	26	through	through	ADP
ijassa-503	115	27	the	the	DET
ijassa-503	115	28	network	network	NOUN
ijassa-503	115	29	at	at	ADP
ijassa-503	115	30	the	the	DET
ijassa-503	115	31	first	first	ADJ
ijassa-503	115	32	time	time	NOUN
ijassa-503	115	33	.	.	PUNCT
ijassa-503	116	1	thus	thus	ADV
ijassa-503	116	2	,	,	PUNCT
ijassa-503	116	3	there	there	PRON
ijassa-503	116	4	is	be	VERB
ijassa-503	116	5	a	a	DET
ijassa-503	116	6	difficulty	difficulty	NOUN
ijassa-503	116	7	in	in	ADP
ijassa-503	116	8	generating	generate	VERB
ijassa-503	116	9	initial	initial	ADJ
ijassa-503	116	10	weights	weight	NOUN
ijassa-503	116	11	to	to	PART
ijassa-503	116	12	train	train	VERB
ijassa-503	116	13	the	the	DET
ijassa-503	116	14	model	model	NOUN
ijassa-503	116	15	at	at	ADP
ijassa-503	116	16	the	the	DET
ijassa-503	116	17	second	second	ADJ
ijassa-503	116	18	stage	stage	NOUN
ijassa-503	116	19	of	of	ADP
ijassa-503	116	20	dpnn	dpnn	NOUN
ijassa-503	116	21	learning	learn	VERB
ijassa-503	116	22	algorithm	algorithm	NOUN
ijassa-503	116	23	.	.	PUNCT
ijassa-503	117	1	the	the	DET
ijassa-503	117	2	second	second	ADJ
ijassa-503	117	3	drawback	drawback	NOUN
ijassa-503	117	4	is	be	AUX
ijassa-503	117	5	related	relate	VERB
ijassa-503	117	6	to	to	ADP
ijassa-503	117	7	the	the	DET
ijassa-503	117	8	first	first	ADJ
ijassa-503	117	9	one	one	NUM
ijassa-503	117	10	.	.	PUNCT
ijassa-503	118	1	according	accord	VERB
ijassa-503	118	2	to	to	ADP
ijassa-503	118	3	the	the	DET
ijassa-503	118	4	traditional	traditional	ADJ
ijassa-503	118	5	interval	interval	NOUN
ijassa-503	118	6	global	global	ADJ
ijassa-503	118	7	optimization	optimization	NOUN
ijassa-503	118	8	algorithm	algorithm	NOUN
ijassa-503	118	9	an	an	DET
ijassa-503	118	10	efficient	efficient	ADJ
ijassa-503	118	11	choise	choise	NOUN
ijassa-503	118	12	for	for	ADP
ijassa-503	118	13	the	the	DET
ijassa-503	118	14	bisection	bisection	NOUN
ijassa-503	118	15	is	be	AUX
ijassa-503	118	16	cut	cut	VERB
ijassa-503	118	17	along	along	ADP
ijassa-503	118	18	a	a	DET
ijassa-503	118	19	coordinate	coordinate	NOUN
ijassa-503	118	20	with	with	ADP
ijassa-503	118	21	the	the	DET
ijassa-503	118	22	maximum	maximum	ADJ
ijassa-503	118	23	width	width	NOUN
ijassa-503	118	24	[	[	X
ijassa-503	118	25	7	7	NUM
ijassa-503	118	26	]	]	PUNCT
ijassa-503	118	27	.	.	PUNCT
ijassa-503	119	1	but	but	CCONJ
ijassa-503	119	2	if	if	SCONJ
ijassa-503	119	3	the	the	DET
ijassa-503	119	4	widths	width	NOUN
ijassa-503	119	5	of	of	ADP
ijassa-503	119	6	all	all	DET
ijassa-503	119	7	intervals	interval	NOUN
ijassa-503	119	8	is	be	AUX
ijassa-503	119	9	the	the	DET
ijassa-503	119	10	same	same	ADJ
ijassa-503	119	11	there	there	PRON
ijassa-503	119	12	is	be	VERB
ijassa-503	119	13	no	no	DET
ijassa-503	119	14	reason	reason	NOUN
ijassa-503	119	15	to	to	PART
ijassa-503	119	16	consider	consider	VERB
ijassa-503	119	17	any	any	PRON
ijassa-503	119	18	of	of	ADP
ijassa-503	119	19	them	they	PRON
ijassa-503	119	20	as	as	ADP
ijassa-503	119	21	the	the	DET
ijassa-503	119	22	most	most	ADV
ijassa-503	119	23	appropriate	appropriate	ADJ
ijassa-503	119	24	.	.	PUNCT
ijassa-503	120	1	it	it	PRON
ijassa-503	120	2	is	be	AUX
ijassa-503	120	3	possible	possible	ADJ
ijassa-503	120	4	to	to	PART
ijassa-503	120	5	generate	generate	VERB
ijassa-503	120	6	random	random	ADJ
ijassa-503	120	7	initial	initial	ADJ
ijassa-503	120	8	intervals	interval	NOUN
ijassa-503	120	9	with	with	ADP
ijassa-503	120	10	different	different	ADJ
ijassa-503	120	11	widths	width	NOUN
ijassa-503	120	12	.	.	PUNCT
ijassa-503	121	1	but	but	CCONJ
ijassa-503	121	2	the	the	DET
ijassa-503	121	3	question	question	NOUN
ijassa-503	121	4	remains	remain	VERB
ijassa-503	121	5	how	how	SCONJ
ijassa-503	121	6	to	to	PART
ijassa-503	121	7	achieve	achieve	VERB
ijassa-503	121	8	inclusion	inclusion	NOUN
ijassa-503	121	9	of	of	ADP
ijassa-503	121	10	training	training	NOUN
ijassa-503	121	11	data	datum	NOUN
ijassa-503	121	12	outputs	output	NOUN
ijassa-503	121	13	into	into	ADP
ijassa-503	121	14	model	model	NOUN
ijassa-503	121	15	outputs	output	NOUN
ijassa-503	121	16	at	at	ADP
ijassa-503	121	17	the	the	DET
ijassa-503	121	18	first	first	ADJ
ijassa-503	121	19	iteration	iteration	NOUN
ijassa-503	121	20	if	if	SCONJ
ijassa-503	121	21	this	this	PRON
ijassa-503	121	22	is	be	AUX
ijassa-503	121	23	not	not	PART
ijassa-503	121	24	satisfied	satisfied	ADJ
ijassa-503	121	25	.	.	PUNCT
ijassa-503	122	1	to	to	PART
ijassa-503	122	2	eliminate	eliminate	VERB
ijassa-503	122	3	these	these	DET
ijassa-503	122	4	drawbacks	drawback	NOUN
ijassa-503	122	5	we	we	PRON
ijassa-503	122	6	introduce	introduce	VERB
ijassa-503	122	7	a	a	DET
ijassa-503	122	8	learning	learning	NOUN
ijassa-503	122	9	algorithm	algorithm	NOUN
ijassa-503	122	10	based	base	VERB
ijassa-503	122	11	on	on	ADP
ijassa-503	122	12	the	the	DET
ijassa-503	122	13	intervals	interval	NOUN
ijassa-503	122	14	extension	extension	NOUN
ijassa-503	122	15	procedure	procedure	NOUN
ijassa-503	122	16	instead	instead	ADV
ijassa-503	122	17	of	of	ADP
ijassa-503	122	18	the	the	DET
ijassa-503	122	19	bisection	bisection	NOUN
ijassa-503	122	20	.	.	PUNCT
ijassa-503	123	1	copyright	copyright	NOUN
ijassa-503	123	2	c	c	ADP
ijassa-503	123	3	©	©	PROPN
ijassa-503	123	4	2017	2017	NUM
ijassa-503	123	5	assa	assa	NOUN
ijassa-503	123	6	.	.	PUNCT
ijassa-503	124	1	adv	adv	PROPN
ijassa-503	124	2	syst	syst	PROPN
ijassa-503	124	3	sci	sci	PROPN
ijassa-503	124	4	appl	appl	PROPN
ijassa-503	124	5	(	(	PUNCT
ijassa-503	124	6	2017	2017	NUM
ijassa-503	124	7	)	)	PUNCT
ijassa-503	124	8	46	46	NUM
ijassa-503	125	1	y.e	y.e	PROPN
ijassa-503	125	2	.	.	PUNCT
ijassa-503	126	1	polozova	polozova	PROPN
ijassa-503	126	2	,	,	PUNCT
ijassa-503	126	3	p.v	p.v	PROPN
ijassa-503	126	4	.	.	PROPN
ijassa-503	126	5	saraev	saraev	PROPN
ijassa-503	126	6	algorithm	algorithm	PROPN
ijassa-503	126	7	2	2	NUM
ijassa-503	126	8	step	step	NOUN
ijassa-503	126	9	1	1	NUM
ijassa-503	126	10	.	.	PUNCT
ijassa-503	127	1	we	we	PRON
ijassa-503	127	2	initialize	initialize	VERB
ijassa-503	127	3	a	a	DET
ijassa-503	127	4	model	model	NOUN
ijassa-503	127	5	with	with	ADP
ijassa-503	127	6	one	one	NUM
ijassa-503	127	7	interval	interval	NOUN
ijassa-503	127	8	output	output	NOUN
ijassa-503	127	9	,	,	PUNCT
ijassa-503	127	10	n	n	CCONJ
ijassa-503	127	11	input	input	NOUN
ijassa-503	127	12	interval	interval	NOUN
ijassa-503	127	13	neurons	neuron	NOUN
ijassa-503	127	14	,	,	PUNCT
ijassa-503	127	15	m	m	VERB
ijassa-503	127	16	hidden	hide	VERB
ijassa-503	127	17	layers	layer	NOUN
ijassa-503	127	18	and	and	CCONJ
ijassa-503	127	19	weights	weight	NOUN
ijassa-503	127	20	assigned	assign	VERB
ijassa-503	127	21	in	in	ADP
ijassa-503	127	22	real	real	ADJ
ijassa-503	127	23	values	value	NOUN
ijassa-503	127	24	to	to	ADP
ijassa-503	127	25	the	the	DET
ijassa-503	127	26	neurons	neuron	NOUN
ijassa-503	127	27	of	of	ADP
ijassa-503	127	28	all	all	DET
ijassa-503	127	29	layers	layer	NOUN
ijassa-503	127	30	.	.	PUNCT
ijassa-503	128	1	step	step	NOUN
ijassa-503	128	2	2	2	NUM
ijassa-503	128	3	.	.	PUNCT
ijassa-503	129	1	we	we	PRON
ijassa-503	129	2	train	train	VERB
ijassa-503	129	3	the	the	DET
ijassa-503	129	4	model	model	NOUN
ijassa-503	129	5	using	use	VERB
ijassa-503	129	6	the	the	DET
ijassa-503	129	7	bp	bp	PROPN
ijassa-503	129	8	algorithm	algorithm	NOUN
ijassa-503	129	9	.	.	PUNCT
ijassa-503	130	1	step	step	NOUN
ijassa-503	130	2	3	3	NUM
ijassa-503	130	3	.	.	PUNCT
ijassa-503	131	1	we	we	PRON
ijassa-503	131	2	initialize	initialize	VERB
ijassa-503	131	3	a	a	DET
ijassa-503	131	4	model	model	NOUN
ijassa-503	131	5	with	with	ADP
ijassa-503	131	6	one	one	NUM
ijassa-503	131	7	interval	interval	NOUN
ijassa-503	131	8	output	output	NOUN
ijassa-503	131	9	,	,	PUNCT
ijassa-503	131	10	n	n	CCONJ
ijassa-503	131	11	input	input	NOUN
ijassa-503	131	12	interval	interval	NOUN
ijassa-503	131	13	neurons	neuron	NOUN
ijassa-503	131	14	,	,	PUNCT
ijassa-503	131	15	m	m	VERB
ijassa-503	131	16	hidden	hide	VERB
ijassa-503	131	17	layers	layer	NOUN
ijassa-503	131	18	and	and	CCONJ
ijassa-503	131	19	weights	weight	NOUN
ijassa-503	131	20	assigned	assign	VERB
ijassa-503	131	21	in	in	ADP
ijassa-503	131	22	real	real	ADJ
ijassa-503	131	23	values	value	NOUN
ijassa-503	131	24	to	to	ADP
ijassa-503	131	25	the	the	DET
ijassa-503	131	26	neurons	neuron	NOUN
ijassa-503	131	27	of	of	ADP
ijassa-503	131	28	all	all	DET
ijassa-503	131	29	layers	layer	NOUN
ijassa-503	131	30	(	(	PUNCT
ijassa-503	131	31	from	from	ADP
ijassa-503	131	32	layer	layer	NOUN
ijassa-503	131	33	1	1	NUM
ijassa-503	131	34	to	to	ADP
ijassa-503	131	35	layer	layer	NOUN
ijassa-503	131	36	m−	m−	PROPN
ijassa-503	131	37	1	1	NUM
ijassa-503	131	38	)	)	PUNCT
ijassa-503	131	39	.	.	PUNCT
ijassa-503	132	1	the	the	DET
ijassa-503	132	2	neuron	neuron	NOUN
ijassa-503	132	3	weights	weight	VERB
ijassa-503	132	4	in	in	ADP
ijassa-503	132	5	hidden	hide	VERB
ijassa-503	132	6	layer	layer	NOUN
ijassa-503	132	7	m	m	VERB
ijassa-503	132	8	are	be	AUX
ijassa-503	132	9	assigned	assign	VERB
ijassa-503	132	10	in	in	ADP
ijassa-503	132	11	interval	interval	NOUN
ijassa-503	132	12	values	value	NOUN
ijassa-503	132	13	.	.	PUNCT
ijassa-503	133	1	step	step	NOUN
ijassa-503	133	2	4	4	NUM
ijassa-503	133	3	.	.	PUNCT
ijassa-503	134	1	we	we	PRON
ijassa-503	134	2	assign	assign	VERB
ijassa-503	134	3	real	real	ADJ
ijassa-503	134	4	values	value	NOUN
ijassa-503	134	5	to	to	ADP
ijassa-503	134	6	the	the	DET
ijassa-503	134	7	weights	weight	NOUN
ijassa-503	134	8	in	in	ADP
ijassa-503	134	9	the	the	DET
ijassa-503	134	10	model	model	NOUN
ijassa-503	134	11	trained	train	VERB
ijassa-503	134	12	at	at	ADP
ijassa-503	134	13	step	step	NOUN
ijassa-503	134	14	2	2	NUM
ijassa-503	134	15	,	,	PUNCT
ijassa-503	134	16	and	and	CCONJ
ijassa-503	134	17	the	the	DET
ijassa-503	134	18	ones	one	NOUN
ijassa-503	134	19	in	in	ADP
ijassa-503	134	20	the	the	DET
ijassa-503	134	21	model	model	NOUN
ijassa-503	134	22	defined	define	VERB
ijassa-503	134	23	at	at	ADP
ijassa-503	134	24	step	step	NOUN
ijassa-503	134	25	3	3	NUM
ijassa-503	134	26	for	for	ADP
ijassa-503	134	27	all	all	DET
ijassa-503	134	28	hidden	hidden	ADJ
ijassa-503	134	29	layers	layer	NOUN
ijassa-503	134	30	.	.	PUNCT
ijassa-503	135	1	step	step	NOUN
ijassa-503	135	2	5	5	NUM
ijassa-503	135	3	.	.	PUNCT
ijassa-503	136	1	we	we	PRON
ijassa-503	136	2	train	train	VERB
ijassa-503	136	3	the	the	DET
ijassa-503	136	4	model	model	NOUN
ijassa-503	136	5	formed	form	VERB
ijassa-503	136	6	at	at	ADP
ijassa-503	136	7	step	step	NOUN
ijassa-503	136	8	4	4	NUM
ijassa-503	136	9	in	in	ADP
ijassa-503	136	10	accordance	accordance	NOUN
ijassa-503	136	11	with	with	ADP
ijassa-503	136	12	the	the	DET
ijassa-503	136	13	algorithm	algorithm	NOUN
ijassa-503	136	14	of	of	ADP
ijassa-503	136	15	training	training	NOUN
ijassa-503	136	16	inns	inn	NOUN
ijassa-503	136	17	with	with	ADP
ijassa-503	136	18	interval	interval	NOUN
ijassa-503	136	19	weights	weight	NOUN
ijassa-503	136	20	.	.	PUNCT
ijassa-503	137	1	the	the	DET
ijassa-503	137	2	weights	weight	NOUN
ijassa-503	137	3	of	of	ADP
ijassa-503	137	4	neurons	neuron	NOUN
ijassa-503	137	5	in	in	ADP
ijassa-503	137	6	all	all	DET
ijassa-503	137	7	hidden	hidden	ADJ
ijassa-503	137	8	layers	layer	NOUN
ijassa-503	137	9	(	(	PUNCT
ijassa-503	137	10	from	from	ADP
ijassa-503	137	11	layer	layer	NOUN
ijassa-503	137	12	1	1	NUM
ijassa-503	137	13	to	to	ADP
ijassa-503	137	14	layer	layer	NOUN
ijassa-503	137	15	m−	m−	PROPN
ijassa-503	137	16	1	1	NUM
ijassa-503	137	17	)	)	PUNCT
ijassa-503	137	18	are	be	AUX
ijassa-503	137	19	regarded	regard	VERB
ijassa-503	137	20	as	as	ADP
ijassa-503	137	21	constant	constant	ADJ
ijassa-503	137	22	values	value	NOUN
ijassa-503	137	23	.	.	PUNCT
ijassa-503	138	1	only	only	ADV
ijassa-503	138	2	the	the	DET
ijassa-503	138	3	weights	weight	NOUN
ijassa-503	138	4	of	of	ADP
ijassa-503	138	5	hidden	hide	VERB
ijassa-503	138	6	layer	layer	NOUN
ijassa-503	138	7	m	m	VERB
ijassa-503	138	8	are	be	AUX
ijassa-503	138	9	subject	subject	ADJ
ijassa-503	138	10	to	to	ADP
ijassa-503	138	11	change	change	NOUN
ijassa-503	138	12	.	.	PUNCT
ijassa-503	139	1	step	step	VERB
ijassa-503	139	2	5.1	5.1	NUM
ijassa-503	139	3	.	.	PUNCT
ijassa-503	140	1	we	we	PRON
ijassa-503	140	2	select	select	VERB
ijassa-503	140	3	the	the	DET
ijassa-503	140	4	increment	increment	NOUN
ijassa-503	140	5	value	value	NOUN
ijassa-503	140	6	m	m	NOUN
ijassa-503	140	7	of	of	ADP
ijassa-503	140	8	an	an	DET
ijassa-503	140	9	interval	interval	NOUN
ijassa-503	140	10	.	.	PUNCT
ijassa-503	141	1	step	step	NOUN
ijassa-503	141	2	5.2	5.2	NUM
ijassa-503	141	3	.	.	PUNCT
ijassa-503	142	1	a	a	DET
ijassa-503	142	2	loop	loop	NOUN
ijassa-503	142	3	starts	start	VERB
ijassa-503	142	4	along	along	ADP
ijassa-503	142	5	the	the	DET
ijassa-503	142	6	coordinates	coordinate	NOUN
ijassa-503	142	7	of	of	ADP
ijassa-503	142	8	the	the	DET
ijassa-503	142	9	weight	weight	NOUN
ijassa-503	142	10	vector	vector	NOUN
ijassa-503	142	11	.	.	PUNCT
ijassa-503	143	1	with	with	ADP
ijassa-503	143	2	each	each	DET
ijassa-503	143	3	iteration	iteration	NOUN
ijassa-503	143	4	m	m	NOUN
ijassa-503	143	5	substracts	substract	NOUN
ijassa-503	143	6	from	from	ADP
ijassa-503	143	7	the	the	DET
ijassa-503	143	8	lower	low	ADJ
ijassa-503	143	9	bound	bind	VERB
ijassa-503	143	10	of	of	ADP
ijassa-503	143	11	the	the	DET
ijassa-503	143	12	weight	weight	NOUN
ijassa-503	143	13	vector	vector	NOUN
ijassa-503	143	14	interval	interval	NOUN
ijassa-503	143	15	.	.	PUNCT
ijassa-503	144	1	at	at	ADP
ijassa-503	144	2	each	each	DET
ijassa-503	144	3	iteration	iteration	NOUN
ijassa-503	144	4	,	,	PUNCT
ijassa-503	144	5	the	the	DET
ijassa-503	144	6	network	network	NOUN
ijassa-503	144	7	output	output	NOUN
ijassa-503	144	8	and	and	CCONJ
ijassa-503	144	9	the	the	DET
ijassa-503	144	10	value	value	NOUN
ijassa-503	144	11	of	of	ADP
ijassa-503	144	12	quality	quality	NOUN
ijassa-503	144	13	function	function	NOUN
ijassa-503	144	14	are	be	AUX
ijassa-503	144	15	calculated	calculate	VERB
ijassa-503	144	16	.	.	PUNCT
ijassa-503	145	1	if	if	SCONJ
ijassa-503	145	2	the	the	DET
ijassa-503	145	3	received	receive	VERB
ijassa-503	145	4	training	training	NOUN
ijassa-503	145	5	error	error	NOUN
ijassa-503	145	6	value	value	NOUN
ijassa-503	145	7	is	be	AUX
ijassa-503	145	8	less	less	ADJ
ijassa-503	145	9	than	than	ADP
ijassa-503	145	10	the	the	DET
ijassa-503	145	11	error	error	NOUN
ijassa-503	145	12	obtained	obtain	VERB
ijassa-503	145	13	in	in	ADP
ijassa-503	145	14	the	the	DET
ijassa-503	145	15	previous	previous	ADJ
ijassa-503	145	16	step	step	NOUN
ijassa-503	145	17	,	,	PUNCT
ijassa-503	145	18	the	the	DET
ijassa-503	145	19	weights	weight	NOUN
ijassa-503	145	20	vector	vector	NOUN
ijassa-503	145	21	and	and	CCONJ
ijassa-503	145	22	training	training	NOUN
ijassa-503	145	23	error	error	NOUN
ijassa-503	145	24	are	be	AUX
ijassa-503	145	25	fixed	fix	VERB
ijassa-503	145	26	as	as	ADP
ijassa-503	145	27	minimum	minimum	ADJ
ijassa-503	145	28	ones	one	NOUN
ijassa-503	145	29	.	.	PUNCT
ijassa-503	146	1	step	step	VERB
ijassa-503	146	2	5.3	5.3	NUM
ijassa-503	146	3	.	.	PUNCT
ijassa-503	147	1	step	step	NOUN
ijassa-503	147	2	5.2	5.2	NUM
ijassa-503	147	3	is	be	AUX
ijassa-503	147	4	repeated	repeat	VERB
ijassa-503	147	5	while	while	SCONJ
ijassa-503	147	6	the	the	DET
ijassa-503	147	7	training	training	NOUN
ijassa-503	147	8	error	error	NOUN
ijassa-503	147	9	on	on	ADP
ijassa-503	147	10	each	each	DET
ijassa-503	147	11	loop	loop	NOUN
ijassa-503	147	12	iteration	iteration	NOUN
ijassa-503	147	13	is	be	AUX
ijassa-503	147	14	reducing	reduce	VERB
ijassa-503	147	15	the	the	DET
ijassa-503	147	16	minimum	minimum	ADJ
ijassa-503	147	17	one	one	NUM
ijassa-503	147	18	.	.	PUNCT
ijassa-503	148	1	step	step	NOUN
ijassa-503	148	2	5.4	5.4	NUM
ijassa-503	148	3	.	.	PUNCT
ijassa-503	149	1	steps	step	NOUN
ijassa-503	149	2	5.2	5.2	NUM
ijassa-503	149	3	and	and	CCONJ
ijassa-503	149	4	5.3	5.3	NUM
ijassa-503	149	5	are	be	AUX
ijassa-503	149	6	executed	execute	VERB
ijassa-503	149	7	in	in	ADP
ijassa-503	149	8	the	the	DET
ijassa-503	149	9	same	same	ADJ
ijassa-503	149	10	way	way	NOUN
ijassa-503	149	11	for	for	ADP
ijassa-503	149	12	the	the	DET
ijassa-503	149	13	upper	upper	ADJ
ijassa-503	149	14	bound	bind	VERB
ijassa-503	149	15	of	of	ADP
ijassa-503	149	16	weight	weight	NOUN
ijassa-503	149	17	vector	vector	NOUN
ijassa-503	149	18	intervals	interval	NOUN
ijassa-503	149	19	.	.	PUNCT
ijassa-503	150	1	in	in	ADP
ijassa-503	150	2	this	this	DET
ijassa-503	150	3	case	case	NOUN
ijassa-503	150	4	,	,	PUNCT
ijassa-503	150	5	m	m	VERB
ijassa-503	150	6	is	be	AUX
ijassa-503	150	7	added	add	VERB
ijassa-503	150	8	to	to	ADP
ijassa-503	150	9	the	the	DET
ijassa-503	150	10	upper	upper	ADJ
ijassa-503	150	11	bound	bound	NOUN
ijassa-503	150	12	of	of	ADP
ijassa-503	150	13	the	the	DET
ijassa-503	150	14	interval	interval	NOUN
ijassa-503	150	15	at	at	ADP
ijassa-503	150	16	each	each	DET
ijassa-503	150	17	loop	loop	NOUN
ijassa-503	150	18	iteration	iteration	NOUN
ijassa-503	150	19	.	.	PUNCT
ijassa-503	151	1	4	4	X
ijassa-503	151	2	.	.	X
ijassa-503	151	3	numerical	numerical	ADJ
ijassa-503	151	4	experiments	experiment	NOUN
ijassa-503	151	5	the	the	DET
ijassa-503	151	6	goal	goal	NOUN
ijassa-503	151	7	of	of	ADP
ijassa-503	151	8	our	our	PRON
ijassa-503	151	9	experiments	experiment	NOUN
ijassa-503	151	10	is	be	AUX
ijassa-503	151	11	to	to	PART
ijassa-503	151	12	show	show	VERB
ijassa-503	151	13	a	a	DET
ijassa-503	151	14	difference	difference	NOUN
ijassa-503	151	15	between	between	ADP
ijassa-503	151	16	forecasting	forecasting	NOUN
ijassa-503	151	17	results	result	NOUN
ijassa-503	151	18	obtained	obtain	VERB
ijassa-503	151	19	using	use	VERB
ijassa-503	151	20	inn	inn	PROPN
ijassa-503	151	21	with	with	ADP
ijassa-503	151	22	the	the	DET
ijassa-503	151	23	interval	interval	NOUN
ijassa-503	151	24	bp	bp	PROPN
ijassa-503	151	25	algorithm	algorithm	PROPN
ijassa-503	151	26	and	and	CCONJ
ijassa-503	151	27	the	the	DET
ijassa-503	151	28	proposed	propose	VERB
ijassa-503	151	29	approach	approach	NOUN
ijassa-503	151	30	with	with	ADP
ijassa-503	151	31	dpnn	dpnn	NOUN
ijassa-503	151	32	.	.	PUNCT
ijassa-503	152	1	in	in	ADP
ijassa-503	152	2	our	our	PRON
ijassa-503	152	3	experiments	experiment	NOUN
ijassa-503	152	4	,	,	PUNCT
ijassa-503	152	5	for	for	ADP
ijassa-503	152	6	the	the	DET
ijassa-503	152	7	learning	learning	NOUN
ijassa-503	152	8	of	of	ADP
ijassa-503	152	9	a	a	DET
ijassa-503	152	10	dpnn	dpnn	NOUN
ijassa-503	152	11	we	we	PRON
ijassa-503	152	12	generate	generate	VERB
ijassa-503	152	13	interval	interval	NOUN
ijassa-503	152	14	-	-	PUNCT
ijassa-503	152	15	valued	value	VERB
ijassa-503	152	16	time	time	NOUN
ijassa-503	152	17	series	series	NOUN
ijassa-503	152	18	:	:	PUNCT
ijassa-503	152	19	x(i	x(i	PROPN
ijassa-503	152	20	)	)	PUNCT
ijassa-503	152	21	=	=	SYM
ijassa-503	152	22	0.0	0.0	NUM
ijassa-503	152	23	,	,	PUNCT
ijassa-503	152	24	0.1	0.1	NUM
ijassa-503	152	25	,	,	PUNCT
ijassa-503	152	26	0.2	0.2	NUM
ijassa-503	152	27	,	,	PUNCT
ijassa-503	152	28	...	...	PUNCT
ijassa-503	152	29	;	;	PUNCT
ijassa-503	152	30	y(i	y(i	X
ijassa-503	152	31	)	)	PUNCT
ijassa-503	152	32	=	=	PUNCT
ijassa-503	152	33	0.2	0.2	NUM
ijassa-503	152	34	sin(2πx(i	sin(2πx(i	NOUN
ijassa-503	152	35	)	)	PUNCT
ijassa-503	152	36	)	)	PUNCT
ijassa-503	153	1	+	+	CCONJ
ijassa-503	153	2	0.1	0.1	NUM
ijassa-503	153	3	(	(	PUNCT
ijassa-503	153	4	x(i	x(i	PROPN
ijassa-503	153	5	)	)	PUNCT
ijassa-503	153	6	)	)	PUNCT
ijassa-503	153	7	2	2	NUM
ijassa-503	154	1	+	+	CCONJ
ijassa-503	154	2	0.2	0.2	NUM
ijassa-503	154	3	+	+	CCONJ
ijassa-503	154	4	0	0	NUM
ijassa-503	154	5	,	,	PUNCT
ijassa-503	154	6	005rnd[−1	005rnd[−1	NUM
ijassa-503	154	7	,	,	PUNCT
ijassa-503	154	8	1	1	NUM
ijassa-503	154	9	]	]	PUNCT
ijassa-503	154	10	;	;	PUNCT
ijassa-503	154	11	y(i	y(i	PROPN
ijassa-503	154	12	)	)	PUNCT
ijassa-503	154	13	=	=	PUNCT
ijassa-503	154	14	0.2	0.2	NUM
ijassa-503	154	15	sin(2πx(i	sin(2πx(i	NOUN
ijassa-503	154	16	)	)	PUNCT
ijassa-503	154	17	)	)	PUNCT
ijassa-503	155	1	+	+	CCONJ
ijassa-503	155	2	0.2	0.2	NUM
ijassa-503	155	3	(	(	PUNCT
ijassa-503	155	4	x(i	x(i	PROPN
ijassa-503	155	5	)	)	PUNCT
ijassa-503	155	6	)	)	PUNCT
ijassa-503	155	7	2	2	NUM
ijassa-503	155	8	+	+	CCONJ
ijassa-503	155	9	0.3	0.3	NUM
ijassa-503	155	10	+	+	CCONJ
ijassa-503	155	11	0	0	NUM
ijassa-503	155	12	,	,	PUNCT
ijassa-503	155	13	005rnd[−1	005rnd[−1	NUM
ijassa-503	155	14	,	,	PUNCT
ijassa-503	155	15	1	1	NUM
ijassa-503	155	16	]	]	PUNCT
ijassa-503	155	17	.	.	PUNCT
ijassa-503	156	1	here	here	ADV
ijassa-503	156	2	rnd[−1	rnd[−1	PROPN
ijassa-503	156	3	,	,	PUNCT
ijassa-503	156	4	1	1	NUM
ijassa-503	156	5	]	]	PUNCT
ijassa-503	156	6	is	be	AUX
ijassa-503	156	7	a	a	DET
ijassa-503	156	8	random	random	ADJ
ijassa-503	156	9	real	real	ADJ
ijassa-503	156	10	number	number	NOUN
ijassa-503	156	11	in	in	ADP
ijassa-503	156	12	the	the	DET
ijassa-503	156	13	closed	closed	ADJ
ijassa-503	156	14	interval	interval	NOUN
ijassa-503	156	15	[	[	X
ijassa-503	156	16	−1	−1	NOUN
ijassa-503	156	17	,	,	PUNCT
ijassa-503	156	18	1	1	NUM
ijassa-503	156	19	]	]	PUNCT
ijassa-503	156	20	.	.	PUNCT
ijassa-503	157	1	training	training	NOUN
ijassa-503	157	2	set	set	NOUN
ijassa-503	157	3	includes	include	VERB
ijassa-503	157	4	35	35	NUM
ijassa-503	157	5	pairs	pair	NOUN
ijassa-503	157	6	(	(	PUNCT
ijassa-503	157	7	y(i	y(i	PROPN
ijassa-503	157	8	)	)	PUNCT
ijassa-503	157	9	,	,	PUNCT
ijassa-503	157	10	y(i	y(i	PROPN
ijassa-503	157	11	)	)	PUNCT
ijassa-503	157	12	)	)	PUNCT
ijassa-503	157	13	.	.	PUNCT
ijassa-503	158	1	the	the	DET
ijassa-503	158	2	next	next	ADJ
ijassa-503	158	3	5	5	NUM
ijassa-503	158	4	pairs	pair	NOUN
ijassa-503	158	5	are	be	AUX
ijassa-503	158	6	used	use	VERB
ijassa-503	158	7	as	as	ADP
ijassa-503	158	8	a	a	DET
ijassa-503	158	9	basis	basis	NOUN
ijassa-503	158	10	for	for	ADP
ijassa-503	158	11	projections	projection	NOUN
ijassa-503	158	12	.	.	PUNCT
ijassa-503	159	1	we	we	PRON
ijassa-503	159	2	use	use	VERB
ijassa-503	159	3	the	the	DET
ijassa-503	159	4	proposed	propose	VERB
ijassa-503	159	5	model	model	NOUN
ijassa-503	159	6	of	of	ADP
ijassa-503	159	7	dpnn	dpnn	PROPN
ijassa-503	159	8	with	with	ADP
ijassa-503	159	9	a	a	DET
ijassa-503	159	10	single	single	ADJ
ijassa-503	159	11	output	output	NOUN
ijassa-503	159	12	neuron	neuron	NOUN
ijassa-503	159	13	,	,	PUNCT
ijassa-503	159	14	9	9	NUM
ijassa-503	159	15	input	input	NOUN
ijassa-503	159	16	neurons	neuron	NOUN
ijassa-503	159	17	and	and	CCONJ
ijassa-503	159	18	one	one	NUM
ijassa-503	159	19	hidden	hide	VERB
ijassa-503	159	20	layer	layer	NOUN
ijassa-503	159	21	with	with	ADP
ijassa-503	159	22	3	3	NUM
ijassa-503	159	23	neurons	neuron	NOUN
ijassa-503	159	24	in	in	ADP
ijassa-503	159	25	it	it	PRON
ijassa-503	159	26	.	.	PUNCT
ijassa-503	160	1	to	to	PART
ijassa-503	160	2	compare	compare	VERB
ijassa-503	160	3	proposed	propose	VERB
ijassa-503	160	4	approach	approach	NOUN
ijassa-503	160	5	and	and	CCONJ
ijassa-503	160	6	interval	interval	NOUN
ijassa-503	160	7	bp	bp	PROPN
ijassa-503	160	8	algorithm	algorithm	PROPN
ijassa-503	160	9	we	we	PRON
ijassa-503	160	10	make	make	VERB
ijassa-503	160	11	projections	projection	NOUN
ijassa-503	160	12	using	use	VERB
ijassa-503	160	13	both	both	PRON
ijassa-503	160	14	of	of	ADP
ijassa-503	160	15	them	they	PRON
ijassa-503	160	16	.	.	PUNCT
ijassa-503	161	1	results	result	NOUN
ijassa-503	161	2	are	be	AUX
ijassa-503	161	3	shown	show	VERB
ijassa-503	161	4	in	in	ADP
ijassa-503	161	5	fig	fig	NOUN
ijassa-503	161	6	.	.	PUNCT
ijassa-503	162	1	4.1	4.1	NUM
ijassa-503	162	2	,	,	PUNCT
ijassa-503	162	3	4.2	4.2	NUM
ijassa-503	162	4	and	and	CCONJ
ijassa-503	162	5	in	in	ADP
ijassa-503	162	6	table	table	NOUN
ijassa-503	162	7	4.1	4.1	NUM
ijassa-503	162	8	.	.	PUNCT
ijassa-503	162	9	table	table	NOUN
ijassa-503	162	10	4.1	4.1	NUM
ijassa-503	162	11	.	.	PUNCT
ijassa-503	163	1	experimental	experimental	ADJ
ijassa-503	163	2	results	result	NOUN
ijassa-503	163	3	no	no	INTJ
ijassa-503	163	4	.	.	PUNCT
ijassa-503	163	5	of	of	ADP
ijassa-503	163	6	the	the	DET
ijassa-503	163	7	experiment	experiment	NOUN
ijassa-503	163	8	1	1	NUM
ijassa-503	163	9	2	2	NUM
ijassa-503	163	10	training	training	NOUN
ijassa-503	163	11	time	time	NOUN
ijassa-503	163	12	,	,	PUNCT
ijassa-503	163	13	sec	sec	PROPN
ijassa-503	163	14	28	28	NUM
ijassa-503	163	15	302	302	NUM
ijassa-503	163	16	training	training	NOUN
ijassa-503	163	17	error	error	NOUN
ijassa-503	163	18	0.07	0.07	NUM
ijassa-503	163	19	4.13	4.13	NUM
ijassa-503	163	20	average	average	ADJ
ijassa-503	163	21	relative	relative	ADJ
ijassa-503	163	22	deviation	deviation	NOUN
ijassa-503	163	23	of	of	ADP
ijassa-503	163	24	projected	project	VERB
ijassa-503	163	25	value	value	NOUN
ijassa-503	163	26	bounds	bound	NOUN
ijassa-503	163	27	from	from	ADP
ijassa-503	163	28	actual	actual	ADJ
ijassa-503	163	29	ones	one	NOUN
ijassa-503	163	30	0.15	0.15	NUM
ijassa-503	163	31	0.12	0.12	NUM
ijassa-503	163	32	the	the	DET
ijassa-503	163	33	experiments	experiment	NOUN
ijassa-503	163	34	demonstrate	demonstrate	VERB
ijassa-503	163	35	that	that	SCONJ
ijassa-503	163	36	projected	project	VERB
ijassa-503	163	37	values	value	NOUN
ijassa-503	163	38	obtained	obtain	VERB
ijassa-503	163	39	by	by	ADP
ijassa-503	163	40	using	use	VERB
ijassa-503	163	41	the	the	DET
ijassa-503	163	42	proposed	propose	VERB
ijassa-503	163	43	approach	approach	NOUN
ijassa-503	163	44	(	(	PUNCT
ijassa-503	163	45	experiment	experiment	NOUN
ijassa-503	163	46	2	2	NUM
ijassa-503	163	47	)	)	PUNCT
ijassa-503	163	48	include	include	NOUN
ijassa-503	163	49	of	of	ADP
ijassa-503	163	50	actual	actual	ADJ
ijassa-503	163	51	values	value	NOUN
ijassa-503	163	52	at	at	ADP
ijassa-503	163	53	least	least	ADJ
ijassa-503	163	54	3	3	NUM
ijassa-503	163	55	of	of	ADP
ijassa-503	163	56	5	5	NUM
ijassa-503	163	57	values	value	NOUN
ijassa-503	163	58	.	.	PUNCT
ijassa-503	164	1	thus	thus	ADV
ijassa-503	164	2	,	,	PUNCT
ijassa-503	164	3	in	in	ADP
ijassa-503	164	4	60	60	NUM
ijassa-503	164	5	%	%	NOUN
ijassa-503	164	6	of	of	ADP
ijassa-503	164	7	cases	case	NOUN
ijassa-503	164	8	we	we	PRON
ijassa-503	164	9	can	can	AUX
ijassa-503	164	10	guarantee	guarantee	VERB
ijassa-503	164	11	that	that	SCONJ
ijassa-503	164	12	projected	project	VERB
ijassa-503	164	13	value	value	NOUN
ijassa-503	164	14	includes	include	VERB
ijassa-503	164	15	the	the	DET
ijassa-503	164	16	exact	exact	ADJ
ijassa-503	164	17	solution	solution	NOUN
ijassa-503	164	18	.	.	PUNCT
ijassa-503	165	1	projected	project	VERB
ijassa-503	165	2	results	result	NOUN
ijassa-503	165	3	interval	interval	NOUN
ijassa-503	165	4	covers	cover	VERB
ijassa-503	165	5	just	just	ADV
ijassa-503	165	6	a	a	DET
ijassa-503	165	7	part	part	NOUN
ijassa-503	165	8	of	of	ADP
ijassa-503	165	9	actual	actual	ADJ
ijassa-503	165	10	values	value	NOUN
ijassa-503	165	11	interval	interval	NOUN
ijassa-503	165	12	because	because	SCONJ
ijassa-503	165	13	the	the	DET
ijassa-503	165	14	forecasting	forecasting	NOUN
ijassa-503	165	15	error	error	NOUN
ijassa-503	165	16	accumulates	accumulate	VERB
ijassa-503	165	17	with	with	ADP
ijassa-503	165	18	copyright	copyright	NOUN
ijassa-503	165	19	c	c	ADP
ijassa-503	165	20	©	©	PROPN
ijassa-503	165	21	2017	2017	NUM
ijassa-503	165	22	assa	assa	NOUN
ijassa-503	165	23	.	.	PUNCT
ijassa-503	166	1	adv	adv	PROPN
ijassa-503	166	2	syst	syst	PROPN
ijassa-503	166	3	sci	sci	PROPN
ijassa-503	166	4	appl	appl	PROPN
ijassa-503	166	5	(	(	PUNCT
ijassa-503	166	6	2017	2017	NUM
ijassa-503	166	7	)	)	PUNCT
ijassa-503	166	8	interval	interval	NOUN
ijassa-503	166	9	-	-	PUNCT
ijassa-503	166	10	valued	value	VERB
ijassa-503	166	11	data	datum	NOUN
ijassa-503	166	12	forecasting	forecasting	NOUN
ijassa-503	166	13	using	use	VERB
ijassa-503	166	14	dual	dual	ADJ
ijassa-503	166	15	-	-	PUNCT
ijassa-503	166	16	parametric	parametric	ADJ
ijassa-503	166	17	neural	neural	ADJ
ijassa-503	166	18	networks	network	NOUN
ijassa-503	166	19	47	47	NUM
ijassa-503	166	20	fig	fig	NOUN
ijassa-503	166	21	.	.	PUNCT
ijassa-503	167	1	4.1	4.1	NUM
ijassa-503	167	2	.	.	PUNCT
ijassa-503	168	1	forecasting	forecasting	NOUN
ijassa-503	168	2	using	use	VERB
ijassa-503	168	3	only	only	ADJ
ijassa-503	168	4	interval	interval	NOUN
ijassa-503	168	5	bp	bp	PROPN
ijassa-503	168	6	algorithm	algorithm	PROPN
ijassa-503	168	7	(	(	PUNCT
ijassa-503	168	8	experiment	experiment	NOUN
ijassa-503	168	9	1	1	NUM
ijassa-503	168	10	)	)	PUNCT
ijassa-503	168	11	.	.	PUNCT
ijassa-503	169	1	fig	fig	NOUN
ijassa-503	169	2	.	.	PUNCT
ijassa-503	170	1	4.2	4.2	NUM
ijassa-503	170	2	.	.	PUNCT
ijassa-503	171	1	forecasting	forecast	VERB
ijassa-503	171	2	using	use	VERB
ijassa-503	171	3	the	the	DET
ijassa-503	171	4	proposed	propose	VERB
ijassa-503	171	5	approach	approach	NOUN
ijassa-503	171	6	with	with	ADP
ijassa-503	171	7	the	the	DET
ijassa-503	171	8	learning	learn	VERB
ijassa-503	171	9	algorithm	algorithm	NOUN
ijassa-503	171	10	based	base	VERB
ijassa-503	171	11	on	on	ADP
ijassa-503	171	12	the	the	DET
ijassa-503	171	13	intervals	interval	NOUN
ijassa-503	171	14	extension	extension	NOUN
ijassa-503	171	15	procedure	procedure	NOUN
ijassa-503	171	16	(	(	PUNCT
ijassa-503	171	17	experiment	experiment	NOUN
ijassa-503	171	18	2	2	NUM
ijassa-503	171	19	)	)	PUNCT
ijassa-503	171	20	.	.	PUNCT
ijassa-503	172	1	each	each	DET
ijassa-503	172	2	subsequent	subsequent	ADJ
ijassa-503	172	3	projected	project	VERB
ijassa-503	172	4	interval	interval	NOUN
ijassa-503	172	5	.	.	PUNCT
ijassa-503	173	1	for	for	ADP
ijassa-503	173	2	the	the	DET
ijassa-503	173	3	same	same	ADJ
ijassa-503	173	4	reason	reason	NOUN
ijassa-503	173	5	actual	actual	ADJ
ijassa-503	173	6	values	value	NOUN
ijassa-503	173	7	lies	lie	VERB
ijassa-503	173	8	out	out	ADP
ijassa-503	173	9	of	of	ADP
ijassa-503	173	10	the	the	DET
ijassa-503	173	11	projected	project	VERB
ijassa-503	173	12	interval	interval	NOUN
ijassa-503	173	13	bounds	bound	NOUN
ijassa-503	173	14	in	in	ADP
ijassa-503	173	15	the	the	DET
ijassa-503	173	16	last	last	ADJ
ijassa-503	173	17	values	value	NOUN
ijassa-503	173	18	and	and	CCONJ
ijassa-503	173	19	not	not	PART
ijassa-503	173	20	in	in	ADP
ijassa-503	173	21	the	the	DET
ijassa-503	173	22	first	first	ADJ
ijassa-503	173	23	ones	one	NOUN
ijassa-503	173	24	.	.	PUNCT
ijassa-503	174	1	but	but	CCONJ
ijassa-503	174	2	,	,	PUNCT
ijassa-503	174	3	nevertheless	nevertheless	ADV
ijassa-503	174	4	,	,	PUNCT
ijassa-503	174	5	projected	project	VERB
ijassa-503	174	6	values	value	NOUN
ijassa-503	174	7	obtained	obtain	VERB
ijassa-503	174	8	in	in	ADP
ijassa-503	174	9	experiment	experiment	NOUN
ijassa-503	174	10	2	2	NUM
ijassa-503	174	11	seem	seem	VERB
ijassa-503	174	12	to	to	PART
ijassa-503	174	13	be	be	AUX
ijassa-503	174	14	more	more	ADV
ijassa-503	174	15	informative	informative	ADJ
ijassa-503	174	16	for	for	ADP
ijassa-503	174	17	practical	practical	ADJ
ijassa-503	174	18	use	use	NOUN
ijassa-503	174	19	than	than	ADP
ijassa-503	174	20	projected	project	VERB
ijassa-503	174	21	results	result	NOUN
ijassa-503	174	22	in	in	ADP
ijassa-503	174	23	experiment	experiment	NOUN
ijassa-503	174	24	1	1	NUM
ijassa-503	174	25	.	.	PUNCT
ijassa-503	174	26	training	training	NOUN
ijassa-503	174	27	time	time	NOUN
ijassa-503	174	28	in	in	ADP
ijassa-503	174	29	table	table	NOUN
ijassa-503	174	30	4.1	4.1	NUM
ijassa-503	174	31	is	be	AUX
ijassa-503	174	32	so	so	ADV
ijassa-503	174	33	different	different	ADJ
ijassa-503	174	34	,	,	PUNCT
ijassa-503	174	35	because	because	SCONJ
ijassa-503	174	36	bp	bp	PROPN
ijassa-503	174	37	algorithm	algorithm	PROPN
ijassa-503	174	38	used	use	VERB
ijassa-503	174	39	in	in	ADP
ijassa-503	174	40	experiment	experiment	NOUN
ijassa-503	174	41	1	1	NUM
ijassa-503	174	42	is	be	AUX
ijassa-503	174	43	a	a	DET
ijassa-503	174	44	part	part	NOUN
ijassa-503	174	45	of	of	ADP
ijassa-503	174	46	learning	learn	VERB
ijassa-503	174	47	algorithm	algorithm	NOUN
ijassa-503	174	48	of	of	ADP
ijassa-503	174	49	experiment	experiment	NOUN
ijassa-503	174	50	2	2	NUM
ijassa-503	174	51	.	.	PUNCT
ijassa-503	174	52	training	training	NOUN
ijassa-503	174	53	errors	error	NOUN
ijassa-503	174	54	is	be	AUX
ijassa-503	174	55	so	so	ADV
ijassa-503	174	56	different	different	ADJ
ijassa-503	174	57	,	,	PUNCT
ijassa-503	174	58	because	because	SCONJ
ijassa-503	174	59	algorithms	algorithm	NOUN
ijassa-503	174	60	in	in	ADP
ijassa-503	174	61	experiment	experiment	NOUN
ijassa-503	174	62	1	1	NUM
ijassa-503	174	63	and	and	CCONJ
ijassa-503	174	64	2	2	NUM
ijassa-503	174	65	uses	use	VERB
ijassa-503	174	66	different	different	ADJ
ijassa-503	174	67	error	error	NOUN
ijassa-503	174	68	functions	function	NOUN
ijassa-503	174	69	–	–	PUNCT
ijassa-503	174	70	(	(	PUNCT
ijassa-503	174	71	2.1	2.1	NUM
ijassa-503	174	72	)	)	PUNCT
ijassa-503	174	73	and	and	CCONJ
ijassa-503	174	74	(	(	PUNCT
ijassa-503	174	75	3.6	3.6	NUM
ijassa-503	174	76	)	)	PUNCT
ijassa-503	174	77	respectively	respectively	ADV
ijassa-503	174	78	.	.	PUNCT
ijassa-503	175	1	average	average	ADJ
ijassa-503	175	2	relative	relative	ADJ
ijassa-503	175	3	deviation	deviation	NOUN
ijassa-503	175	4	of	of	ADP
ijassa-503	175	5	projected	project	VERB
ijassa-503	175	6	value	value	NOUN
ijassa-503	175	7	bounds	bound	NOUN
ijassa-503	175	8	from	from	ADP
ijassa-503	175	9	actual	actual	ADJ
ijassa-503	175	10	ones	one	NOUN
ijassa-503	175	11	is	be	AUX
ijassa-503	175	12	calculated	calculate	VERB
ijassa-503	175	13	as	as	SCONJ
ijassa-503	175	14	follows	follow	VERB
ijassa-503	175	15	:	:	PUNCT
ijassa-503	175	16	δ	δ	X
ijassa-503	175	17	=	=	SYM
ijassa-503	175	18	1	1	NUM
ijassa-503	175	19	2n	2n	NUM
ijassa-503	176	1	n∑	n∑	X
ijassa-503	176	2	i=1	i=1	PROPN
ijassa-503	177	1	(	(	PUNCT
ijassa-503	177	2	|yi	|yi	NUM
ijassa-503	177	3	−	−	PROPN
ijassa-503	177	4	ỹi|	ỹi|	PROPN
ijassa-503	177	5	|yi|	|yi|	PROPN
ijassa-503	177	6	+	+	CCONJ
ijassa-503	177	7	|yi	|yi	NUM
ijassa-503	177	8	−	−	PROPN
ijassa-503	177	9	ỹi|	ỹi|	PROPN
ijassa-503	177	10	|yi|	|yi|	PROPN
ijassa-503	177	11	)	)	PUNCT
ijassa-503	177	12	,	,	PUNCT
ijassa-503	177	13	where	where	SCONJ
ijassa-503	177	14	n	n	PRON
ijassa-503	177	15	is	be	AUX
ijassa-503	177	16	the	the	DET
ijassa-503	177	17	number	number	NOUN
ijassa-503	177	18	of	of	ADP
ijassa-503	177	19	projected	project	VERB
ijassa-503	177	20	values	value	NOUN
ijassa-503	177	21	;	;	PUNCT
ijassa-503	177	22	yi	yi	NUM
ijassa-503	177	23	,	,	PUNCT
ijassa-503	177	24	yi	yi	PROPN
ijassa-503	177	25	are	be	AUX
ijassa-503	177	26	the	the	DET
ijassa-503	177	27	lower	low	ADJ
ijassa-503	177	28	and	and	CCONJ
ijassa-503	177	29	the	the	DET
ijassa-503	177	30	upper	upper	ADJ
ijassa-503	177	31	projected	project	VERB
ijassa-503	177	32	value	value	NOUN
ijassa-503	177	33	bounds	bound	NOUN
ijassa-503	177	34	;	;	PUNCT
ijassa-503	177	35	ỹi	ỹi	NUM
ijassa-503	177	36	,	,	PUNCT
ijassa-503	177	37	ỹi	ỹi	VERB
ijassa-503	177	38	are	be	AUX
ijassa-503	177	39	the	the	DET
ijassa-503	177	40	lower	low	ADJ
ijassa-503	177	41	and	and	CCONJ
ijassa-503	177	42	the	the	DET
ijassa-503	177	43	upper	upper	ADJ
ijassa-503	177	44	actual	actual	ADJ
ijassa-503	177	45	value	value	NOUN
ijassa-503	177	46	bounds	bound	NOUN
ijassa-503	177	47	.	.	PUNCT
ijassa-503	178	1	copyright	copyright	NOUN
ijassa-503	178	2	c	c	ADP
ijassa-503	178	3	©	©	PROPN
ijassa-503	178	4	2017	2017	NUM
ijassa-503	178	5	assa	assa	NOUN
ijassa-503	178	6	.	.	PUNCT
ijassa-503	179	1	adv	adv	PROPN
ijassa-503	179	2	syst	syst	PROPN
ijassa-503	179	3	sci	sci	PROPN
ijassa-503	179	4	appl	appl	PROPN
ijassa-503	179	5	(	(	PUNCT
ijassa-503	179	6	2017	2017	NUM
ijassa-503	179	7	)	)	PUNCT
ijassa-503	179	8	48	48	NUM
ijassa-503	179	9	y.e	y.e	PROPN
ijassa-503	179	10	.	.	PUNCT
ijassa-503	180	1	polozova	polozova	PROPN
ijassa-503	180	2	,	,	PUNCT
ijassa-503	180	3	p.v	p.v	PROPN
ijassa-503	180	4	.	.	PROPN
ijassa-503	180	5	saraev	saraev	PROPN
ijassa-503	181	1	5	5	NUM
ijassa-503	181	2	.	.	X
ijassa-503	181	3	conclusion	conclusion	NOUN
ijassa-503	181	4	this	this	DET
ijassa-503	181	5	study	study	NOUN
ijassa-503	181	6	was	be	AUX
ijassa-503	181	7	centered	center	VERB
ijassa-503	181	8	on	on	ADP
ijassa-503	181	9	the	the	DET
ijassa-503	181	10	approach	approach	NOUN
ijassa-503	181	11	to	to	ADP
ijassa-503	181	12	modelling	modelling	NOUN
ijassa-503	181	13	and	and	CCONJ
ijassa-503	181	14	forecasting	forecast	VERB
ijassa-503	181	15	addedof	addedof	ADJ
ijassa-503	181	16	interval	interval	NOUN
ijassa-503	181	17	-	-	PUNCT
ijassa-503	181	18	valued	value	VERB
ijassa-503	181	19	data	datum	NOUN
ijassa-503	181	20	using	use	VERB
ijassa-503	181	21	dpnn	dpnn	NOUN
ijassa-503	181	22	models	model	NOUN
ijassa-503	181	23	.	.	PUNCT
ijassa-503	182	1	in	in	ADP
ijassa-503	182	2	the	the	DET
ijassa-503	182	3	article	article	NOUN
ijassa-503	182	4	we	we	PRON
ijassa-503	182	5	provided	provide	VERB
ijassa-503	182	6	a	a	DET
ijassa-503	182	7	theoretical	theoretical	ADJ
ijassa-503	182	8	overview	overview	NOUN
ijassa-503	182	9	of	of	ADP
ijassa-503	182	10	the	the	DET
ijassa-503	182	11	technology	technology	NOUN
ijassa-503	182	12	we	we	PRON
ijassa-503	182	13	use	use	VERB
ijassa-503	182	14	,	,	PUNCT
ijassa-503	182	15	and	and	CCONJ
ijassa-503	182	16	described	describe	VERB
ijassa-503	182	17	the	the	DET
ijassa-503	182	18	proposed	propose	VERB
ijassa-503	182	19	approach	approach	NOUN
ijassa-503	182	20	that	that	PRON
ijassa-503	182	21	makes	make	VERB
ijassa-503	182	22	it	it	PRON
ijassa-503	182	23	possible	possible	ADJ
ijassa-503	182	24	to	to	PART
ijassa-503	182	25	get	get	VERB
ijassa-503	182	26	guaranteed	guarantee	VERB
ijassa-503	182	27	inclusion	inclusion	NOUN
ijassa-503	182	28	of	of	ADP
ijassa-503	182	29	exact	exact	ADJ
ijassa-503	182	30	(	(	PUNCT
ijassa-503	182	31	single	single	ADJ
ijassa-503	182	32	value	value	NOUN
ijassa-503	182	33	)	)	PUNCT
ijassa-503	182	34	solution	solution	NOUN
ijassa-503	182	35	into	into	ADP
ijassa-503	182	36	interval	interval	NOUN
ijassa-503	182	37	forecasting	forecasting	NOUN
ijassa-503	182	38	results	result	NOUN
ijassa-503	182	39	.	.	PUNCT
ijassa-503	183	1	our	our	PRON
ijassa-503	183	2	experiments	experiment	NOUN
ijassa-503	183	3	confirmed	confirm	VERB
ijassa-503	183	4	the	the	DET
ijassa-503	183	5	efficiency	efficiency	NOUN
ijassa-503	183	6	of	of	ADP
ijassa-503	183	7	dpnn	dpnn	NOUN
ijassa-503	183	8	models	model	NOUN
ijassa-503	183	9	in	in	ADP
ijassa-503	183	10	predicting	predict	VERB
ijassa-503	183	11	intervalvalued	intervalvalue	VERB
ijassa-503	183	12	data	datum	NOUN
ijassa-503	183	13	as	as	ADP
ijassa-503	183	14	at	at	ADP
ijassa-503	183	15	least	least	ADJ
ijassa-503	183	16	in	in	ADP
ijassa-503	183	17	60	60	NUM
ijassa-503	183	18	%	%	NOUN
ijassa-503	183	19	of	of	ADP
ijassa-503	183	20	cases	case	NOUN
ijassa-503	183	21	we	we	PRON
ijassa-503	183	22	can	can	AUX
ijassa-503	183	23	guarantee	guarantee	VERB
ijassa-503	183	24	that	that	SCONJ
ijassa-503	183	25	projected	project	VERB
ijassa-503	183	26	values	value	NOUN
ijassa-503	183	27	include	include	VERB
ijassa-503	183	28	the	the	DET
ijassa-503	183	29	exact	exact	ADJ
ijassa-503	183	30	solutions	solution	NOUN
ijassa-503	183	31	.	.	PUNCT
ijassa-503	184	1	as	as	ADP
ijassa-503	184	2	a	a	DET
ijassa-503	184	3	prospective	prospective	ADJ
ijassa-503	184	4	investigation	investigation	NOUN
ijassa-503	184	5	our	our	PRON
ijassa-503	184	6	research	research	NOUN
ijassa-503	184	7	will	will	AUX
ijassa-503	184	8	focus	focus	VERB
ijassa-503	184	9	on	on	ADP
ijassa-503	184	10	training	training	NOUN
ijassa-503	184	11	of	of	ADP
ijassa-503	184	12	inn	inn	PROPN
ijassa-503	184	13	and	and	CCONJ
ijassa-503	184	14	dpnn	dpnn	PROPN
ijassa-503	184	15	models	model	NOUN
ijassa-503	184	16	.	.	PUNCT
ijassa-503	185	1	we	we	PRON
ijassa-503	185	2	take	take	VERB
ijassa-503	185	3	the	the	DET
ijassa-503	185	4	following	follow	VERB
ijassa-503	185	5	training	training	NOUN
ijassa-503	185	6	data	datum	NOUN
ijassa-503	185	7	set	set	VERB
ijassa-503	185	8	of	of	ADP
ijassa-503	185	9	interval	interval	NOUN
ijassa-503	185	10	values	value	NOUN
ijassa-503	185	11	as	as	ADP
ijassa-503	185	12	the	the	DET
ijassa-503	185	13	initial	initial	ADJ
ijassa-503	185	14	data	datum	NOUN
ijassa-503	185	15	:	:	PUNCT
ijassa-503	185	16	{	{	PUNCT
ijassa-503	185	17	[	[	X
ijassa-503	185	18	x̃i	x̃i	X
ijassa-503	185	19	]	]	X
ijassa-503	185	20	,	,	PUNCT
ijassa-503	186	1	[	[	X
ijassa-503	186	2	ỹi]}ki=1	ỹi]}ki=1	X
ijassa-503	186	3	.	.	PUNCT
ijassa-503	187	1	the	the	DET
ijassa-503	187	2	inn	inn	PROPN
ijassa-503	187	3	(	(	PUNCT
ijassa-503	187	4	dpnn	dpnn	PROPN
ijassa-503	187	5	)	)	PUNCT
ijassa-503	187	6	will	will	AUX
ijassa-503	187	7	be	be	AUX
ijassa-503	187	8	used	use	VERB
ijassa-503	187	9	to	to	PART
ijassa-503	187	10	compute	compute	VERB
ijassa-503	187	11	interval	interval	NOUN
ijassa-503	187	12	functions	function	NOUN
ijassa-503	187	13	for	for	ADP
ijassa-503	187	14	interval	interval	NOUN
ijassa-503	187	15	arguments	argument	NOUN
ijassa-503	187	16	in	in	ADP
ijassa-503	187	17	the	the	DET
ijassa-503	187	18	following	follow	VERB
ijassa-503	187	19	manner	manner	NOUN
ijassa-503	187	20	:	:	PUNCT
ijassa-503	188	1	[	[	X
ijassa-503	188	2	y	y	X
ijassa-503	188	3	]	]	X
ijassa-503	188	4	=	=	PUNCT
ijassa-503	188	5	f([w	f([w	PROPN
ijassa-503	188	6	]	]	X
ijassa-503	188	7	,	,	PUNCT
ijassa-503	188	8	[	[	X
ijassa-503	188	9	x	x	X
ijassa-503	188	10	]	]	X
ijassa-503	188	11	)	)	PUNCT
ijassa-503	188	12	,	,	PUNCT
ijassa-503	188	13	where	where	SCONJ
ijassa-503	188	14	[	[	X
ijassa-503	188	15	w	w	X
ijassa-503	188	16	]	]	X
ijassa-503	188	17	is	be	AUX
ijassa-503	188	18	the	the	DET
ijassa-503	188	19	vector	vector	NOUN
ijassa-503	188	20	of	of	ADP
ijassa-503	188	21	interval	interval	NOUN
ijassa-503	188	22	parameters	parameter	NOUN
ijassa-503	188	23	(	(	PUNCT
ijassa-503	188	24	weights	weight	NOUN
ijassa-503	188	25	)	)	PUNCT
ijassa-503	188	26	of	of	ADP
ijassa-503	188	27	the	the	DET
ijassa-503	188	28	network	network	NOUN
ijassa-503	188	29	.	.	PUNCT
ijassa-503	189	1	besides	besides	SCONJ
ijassa-503	189	2	,	,	PUNCT
ijassa-503	189	3	we	we	PRON
ijassa-503	189	4	are	be	AUX
ijassa-503	189	5	going	go	VERB
ijassa-503	189	6	to	to	PART
ijassa-503	189	7	consider	consider	VERB
ijassa-503	189	8	the	the	DET
ijassa-503	189	9	problem	problem	NOUN
ijassa-503	189	10	of	of	ADP
ijassa-503	189	11	computing	compute	VERB
ijassa-503	189	12	such	such	ADJ
ijassa-503	189	13	inn	inn	PROPN
ijassa-503	189	14	(	(	PUNCT
ijassa-503	189	15	dpnn	dpnn	NOUN
ijassa-503	189	16	)	)	PUNCT
ijassa-503	189	17	weight	weight	NOUN
ijassa-503	189	18	values	value	NOUN
ijassa-503	189	19	that	that	PRON
ijassa-503	189	20	allow	allow	VERB
ijassa-503	189	21	the	the	DET
ijassa-503	189	22	model	model	NOUN
ijassa-503	189	23	outputs	output	NOUN
ijassa-503	189	24	to	to	PART
ijassa-503	189	25	include	include	VERB
ijassa-503	189	26	all	all	DET
ijassa-503	189	27	interval	interval	NOUN
ijassa-503	189	28	outputs	output	NOUN
ijassa-503	189	29	comprised	comprise	VERB
ijassa-503	189	30	by	by	ADP
ijassa-503	189	31	the	the	DET
ijassa-503	189	32	training	training	NOUN
ijassa-503	189	33	data	datum	NOUN
ijassa-503	189	34	set	set	VERB
ijassa-503	189	35	.	.	PUNCT
ijassa-503	190	1	one	one	NUM
ijassa-503	190	2	more	more	ADJ
ijassa-503	190	3	problem	problem	NOUN
ijassa-503	190	4	to	to	PART
ijassa-503	190	5	be	be	AUX
ijassa-503	190	6	considered	consider	VERB
ijassa-503	190	7	is	be	AUX
ijassa-503	190	8	the	the	DET
ijassa-503	190	9	optimization	optimization	NOUN
ijassa-503	190	10	of	of	ADP
ijassa-503	190	11	the	the	DET
ijassa-503	190	12	training	training	NOUN
ijassa-503	190	13	quality	quality	NOUN
ijassa-503	190	14	function	function	NOUN
ijassa-503	190	15	q([w	q([w	NOUN
ijassa-503	190	16	]	]	PUNCT
ijassa-503	190	17	)	)	PUNCT
ijassa-503	191	1	=	=	SYM
ijassa-503	191	2	max	max	PROPN
ijassa-503	191	3	d([yi	d([yi	PROPN
ijassa-503	191	4	]	]	X
ijassa-503	191	5	,	,	PUNCT
ijassa-503	191	6	[	[	X
ijassa-503	191	7	ỹi])→	ỹi])→	X
ijassa-503	191	8	min	min	NOUN
ijassa-503	191	9	with	with	ADP
ijassa-503	191	10	the	the	DET
ijassa-503	191	11	distance	distance	NOUN
ijassa-503	191	12	between	between	ADP
ijassa-503	191	13	intervals	interval	NOUN
ijassa-503	191	14	d	d	NOUN
ijassa-503	191	15	calculated	calculate	VERB
ijassa-503	191	16	as	as	SCONJ
ijassa-503	191	17	follows	follow	VERB
ijassa-503	191	18	:	:	PUNCT
ijassa-503	191	19	d([yi	d([yi	INTJ
ijassa-503	191	20	]	]	X
ijassa-503	191	21	,	,	PUNCT
ijassa-503	191	22	[	[	X
ijassa-503	191	23	ỹi	ỹi	X
ijassa-503	191	24	]	]	X
ijassa-503	191	25	)	)	PUNCT
ijassa-503	191	26	=	=	PRON
ijassa-503	191	27	{	{	PUNCT
ijassa-503	192	1	+	+	NOUN
ijassa-503	192	2	∞	∞	PROPN
ijassa-503	192	3	,	,	PUNCT
ijassa-503	192	4	if	if	SCONJ
ijassa-503	192	5	yi	yi	PROPN
ijassa-503	192	6	<	<	X
ijassa-503	192	7	ỹi	ỹi	X
ijassa-503	192	8	or	or	CCONJ
ijassa-503	192	9	yi	yi	NOUN
ijassa-503	192	10	<	<	X
ijassa-503	192	11	ỹi	ỹi	PROPN
ijassa-503	192	12	;	;	PUNCT
ijassa-503	192	13	max	max	PROPN
ijassa-503	192	14	{	{	PUNCT
ijassa-503	192	15	|yi	|yi	NUM
ijassa-503	192	16	−	−	PROPN
ijassa-503	192	17	ỹi|	ỹi|	PROPN
ijassa-503	192	18	,	,	PUNCT
ijassa-503	192	19	|yi	|yi	NUM
ijassa-503	192	20	−	−	PROPN
ijassa-503	192	21	ỹi|	ỹi|	PROPN
ijassa-503	192	22	}	}	PUNCT
ijassa-503	192	23	,	,	PUNCT
ijassa-503	192	24	otherwise	otherwise	ADV
ijassa-503	192	25	.	.	PUNCT
ijassa-503	193	1	references	reference	NOUN
ijassa-503	193	2	1	1	NUM
ijassa-503	193	3	.	.	PUNCT
ijassa-503	194	1	patil	patil	PROPN
ijassa-503	194	2	r.b	r.b	PROPN
ijassa-503	194	3	.	.	PROPN
ijassa-503	194	4	(	(	PUNCT
ijassa-503	194	5	1995	1995	NUM
ijassa-503	194	6	)	)	PUNCT
ijassa-503	194	7	interval	interval	NOUN
ijassa-503	194	8	neural	neural	ADJ
ijassa-503	194	9	networks	network	NOUN
ijassa-503	194	10	.	.	PUNCT
ijassa-503	195	1	apic’95	apic’95	PROPN
ijassa-503	195	2	,	,	PUNCT
ijassa-503	195	3	el	el	PROPN
ijassa-503	195	4	paso	paso	PROPN
ijassa-503	195	5	,	,	PUNCT
ijassa-503	195	6	extended	extended	ADJ
ijassa-503	195	7	abstracts	abstract	NOUN
ijassa-503	195	8	,	,	PUNCT
ijassa-503	195	9	a	a	DET
ijassa-503	195	10	supplement	supplement	NOUN
ijassa-503	195	11	to	to	ADP
ijassa-503	195	12	the	the	DET
ijassa-503	195	13	international	international	ADJ
ijassa-503	195	14	journal	journal	NOUN
ijassa-503	195	15	of	of	ADP
ijassa-503	195	16	reliable	reliable	ADJ
ijassa-503	195	17	computing	computing	NOUN
ijassa-503	195	18	,	,	PUNCT
ijassa-503	195	19	el	el	PROPN
ijassa-503	195	20	paso	paso	PROPN
ijassa-503	195	21	,	,	PUNCT
ijassa-503	195	22	tx	tx	PROPN
ijassa-503	195	23	,	,	PUNCT
ijassa-503	195	24	164	164	NUM
ijassa-503	195	25	.	.	X
ijassa-503	195	26	2	2	NUM
ijassa-503	195	27	.	.	X
ijassa-503	195	28	belohlavek	belohlavek	PROPN
ijassa-503	195	29	r.	r.	PROPN
ijassa-503	195	30	(	(	PUNCT
ijassa-503	195	31	1997	1997	NUM
ijassa-503	195	32	)	)	PUNCT
ijassa-503	195	33	backpropagation	backpropagation	NOUN
ijassa-503	195	34	for	for	ADP
ijassa-503	195	35	interval	interval	NOUN
ijassa-503	195	36	patterns	pattern	NOUN
ijassa-503	195	37	.	.	PUNCT
ijassa-503	196	1	neural	neural	ADJ
ijassa-503	196	2	network	network	NOUN
ijassa-503	196	3	world	world	NOUN
ijassa-503	196	4	,	,	PUNCT
ijassa-503	196	5	7(3	7(3	NUM
ijassa-503	196	6	)	)	PUNCT
ijassa-503	196	7	,	,	PUNCT
ijassa-503	196	8	335–346	335–346	NUM
ijassa-503	196	9	.	.	PUNCT
ijassa-503	197	1	3	3	X
ijassa-503	197	2	.	.	X
ijassa-503	197	3	garczarczyk	garczarczyk	PROPN
ijassa-503	197	4	z.a	z.a	PROPN
ijassa-503	197	5	.	.	PUNCT
ijassa-503	198	1	(	(	PUNCT
ijassa-503	198	2	2000	2000	NUM
ijassa-503	198	3	)	)	PUNCT
ijassa-503	198	4	interval	interval	NOUN
ijassa-503	198	5	neural	neural	ADJ
ijassa-503	198	6	networks	network	NOUN
ijassa-503	198	7	.	.	PUNCT
ijassa-503	199	1	2000	2000	NUM
ijassa-503	199	2	ieee	ieee	PROPN
ijassa-503	199	3	international	international	ADJ
ijassa-503	199	4	symposium	symposium	NOUN
ijassa-503	199	5	on	on	ADP
ijassa-503	199	6	circuits	circuit	NOUN
ijassa-503	199	7	and	and	CCONJ
ijassa-503	199	8	systems	system	NOUN
ijassa-503	199	9	.	.	PUNCT
ijassa-503	200	1	emerging	emerge	VERB
ijassa-503	200	2	technologies	technology	NOUN
ijassa-503	200	3	for	for	ADP
ijassa-503	200	4	the	the	DET
ijassa-503	200	5	21st	21st	ADJ
ijassa-503	200	6	century	century	NOUN
ijassa-503	200	7	.	.	PUNCT
ijassa-503	201	1	proceedings	proceeding	NOUN
ijassa-503	201	2	(	(	PUNCT
ijassa-503	201	3	ieee	ieee	PROPN
ijassa-503	201	4	cat	cat	PROPN
ijassa-503	201	5	no.00ch36353	no.00ch36353	PROPN
ijassa-503	201	6	)	)	PUNCT
ijassa-503	201	7	,	,	PUNCT
ijassa-503	201	8	3	3	NUM
ijassa-503	201	9	,	,	PUNCT
ijassa-503	201	10	567–570	567–570	NUM
ijassa-503	201	11	.	.	PUNCT
ijassa-503	202	1	4	4	NUM
ijassa-503	202	2	.	.	X
ijassa-503	202	3	kim	kim	PROPN
ijassa-503	202	4	h.j	h.j	PROPN
ijassa-503	202	5	.	.	PROPN
ijassa-503	202	6	&	&	CCONJ
ijassa-503	202	7	ryu	ryu	PROPN
ijassa-503	202	8	t.-w	t.-w	PROPN
ijassa-503	202	9	.	.	PUNCT
ijassa-503	203	1	(	(	PUNCT
ijassa-503	203	2	2005	2005	NUM
ijassa-503	203	3	)	)	PUNCT
ijassa-503	203	4	time	time	NOUN
ijassa-503	203	5	series	series	NOUN
ijassa-503	203	6	prediction	prediction	NOUN
ijassa-503	203	7	using	use	VERB
ijassa-503	203	8	an	an	DET
ijassa-503	203	9	interval	interval	NOUN
ijassa-503	203	10	arithmetic	arithmetic	ADJ
ijassa-503	203	11	fir	fir	NOUN
ijassa-503	203	12	network	network	NOUN
ijassa-503	203	13	.	.	PUNCT
ijassa-503	204	1	neural	neural	ADJ
ijassa-503	204	2	information	information	NOUN
ijassa-503	204	3	processing	processing	NOUN
ijassa-503	204	4	–	–	PUNCT
ijassa-503	204	5	letters	letter	NOUN
ijassa-503	204	6	and	and	CCONJ
ijassa-503	204	7	reviews	review	NOUN
ijassa-503	204	8	,	,	PUNCT
ijassa-503	204	9	8	8	NUM
ijassa-503	204	10	(	(	PUNCT
ijassa-503	204	11	3	3	NUM
ijassa-503	204	12	)	)	PUNCT
ijassa-503	204	13	,	,	PUNCT
ijassa-503	204	14	39–47	39–47	NUM
ijassa-503	204	15	.	.	NOUN
ijassa-503	204	16	5	5	NUM
ijassa-503	204	17	.	.	X
ijassa-503	204	18	yang	yang	PROPN
ijassa-503	204	19	d.	d.	PROPN
ijassa-503	204	20	,	,	PUNCT
ijassa-503	204	21	li	li	PROPN
ijassa-503	204	22	z.	z.	PROPN
ijassa-503	204	23	&	&	CCONJ
ijassa-503	204	24	wu	wu	PROPN
ijassa-503	204	25	w.	w.	PROPN
ijassa-503	204	26	(	(	PUNCT
ijassa-503	204	27	2016	2016	NUM
ijassa-503	204	28	)	)	PUNCT
ijassa-503	204	29	extreme	extreme	ADJ
ijassa-503	204	30	learning	learning	NOUN
ijassa-503	204	31	machine	machine	NOUN
ijassa-503	204	32	for	for	ADP
ijassa-503	204	33	interval	interval	NOUN
ijassa-503	204	34	neural	neural	ADJ
ijassa-503	204	35	networks	network	NOUN
ijassa-503	204	36	.	.	PUNCT
ijassa-503	205	1	neural	neural	ADJ
ijassa-503	205	2	computing	computing	NOUN
ijassa-503	205	3	and	and	CCONJ
ijassa-503	205	4	applications	application	NOUN
ijassa-503	205	5	,	,	PUNCT
ijassa-503	205	6	27(1	27(1	NUM
ijassa-503	205	7	)	)	PUNCT
ijassa-503	205	8	,	,	PUNCT
ijassa-503	205	9	3–8	3–8	X
ijassa-503	205	10	.	.	NOUN
ijassa-503	205	11	6	6	NUM
ijassa-503	205	12	.	.	X
ijassa-503	205	13	sharyi	sharyi	PROPN
ijassa-503	205	14	s.p	s.p	PROPN
ijassa-503	205	15	.	.	PROPN
ijassa-503	205	16	(	(	PUNCT
ijassa-503	205	17	2008	2008	NUM
ijassa-503	205	18	)	)	PUNCT
ijassa-503	205	19	randomized	randomize	VERB
ijassa-503	205	20	algorithms	algorithm	NOUN
ijassa-503	205	21	in	in	ADP
ijassa-503	205	22	interval	interval	NOUN
ijassa-503	205	23	global	global	ADJ
ijassa-503	205	24	optimization	optimization	PROPN
ijassa-503	205	25	numerical	numerical	ADJ
ijassa-503	205	26	analysis	analysis	NOUN
ijassa-503	205	27	and	and	CCONJ
ijassa-503	205	28	applications	application	NOUN
ijassa-503	205	29	,	,	PUNCT
ijassa-503	205	30	1(4	1(4	NUM
ijassa-503	205	31	)	)	PUNCT
ijassa-503	205	32	,	,	PUNCT
ijassa-503	205	33	376389	376389	NUM
ijassa-503	205	34	.	.	PUNCT
ijassa-503	206	1	https://doi.org/10.1134/s1995423908040083	https://doi.org/10.1134/s1995423908040083	PROPN
ijassa-503	206	2	7	7	NUM
ijassa-503	206	3	.	.	PROPN
ijassa-503	206	4	jaulin	jaulin	PROPN
ijassa-503	206	5	l.	l.	PROPN
ijassa-503	206	6	,	,	PUNCT
ijassa-503	206	7	kieffer	kieffer	PROPN
ijassa-503	206	8	m.	m.	PROPN
ijassa-503	206	9	,	,	PUNCT
ijassa-503	206	10	didrit	didrit	PROPN
ijassa-503	206	11	o.	o.	PROPN
ijassa-503	206	12	&	&	CCONJ
ijassa-503	206	13	walter	walter	PROPN
ijassa-503	206	14	e.	e.	PROPN
ijassa-503	206	15	(	(	PUNCT
ijassa-503	206	16	2001	2001	NUM
ijassa-503	206	17	)	)	PUNCT
ijassa-503	206	18	applied	apply	VERB
ijassa-503	206	19	interval	interval	NOUN
ijassa-503	206	20	analysis	analysis	NOUN
ijassa-503	206	21	.	.	PUNCT
ijassa-503	207	1	london	london	PROPN
ijassa-503	207	2	,	,	PUNCT
ijassa-503	207	3	uk	uk	PROPN
ijassa-503	207	4	:	:	PUNCT
ijassa-503	207	5	springer	springer	NOUN
ijassa-503	207	6	.	.	PUNCT
ijassa-503	208	1	copyright	copyright	NOUN
ijassa-503	208	2	c	c	ADP
ijassa-503	208	3	©	©	PROPN
ijassa-503	208	4	2017	2017	NUM
ijassa-503	208	5	assa	assa	NOUN
ijassa-503	208	6	.	.	PUNCT
ijassa-503	209	1	adv	adv	PROPN
ijassa-503	209	2	syst	syst	PROPN
ijassa-503	209	3	sci	sci	PROPN
ijassa-503	209	4	appl	appl	PROPN
ijassa-503	209	5	(	(	PUNCT
ijassa-503	209	6	2017	2017	NUM
ijassa-503	209	7	)	)	PUNCT
ijassa-503	209	8	https://doi.org/10.1134/s1995423908040083	https://doi.org/10.1134/s1995423908040083	PROPN
ijassa-503	209	9	introduction	introduction	NOUN
ijassa-503	209	10	theoretical	theoretical	ADJ
ijassa-503	209	11	overview	overview	NOUN
ijassa-503	209	12	proposed	propose	VERB
ijassa-503	209	13	approach	approach	NOUN
ijassa-503	209	14	modification	modification	NOUN
ijassa-503	209	15	of	of	ADP
ijassa-503	209	16	error	error	NOUN
ijassa-503	209	17	function	function	NOUN
ijassa-503	209	18	dual	dual	ADJ
ijassa-503	209	19	-	-	PUNCT
ijassa-503	209	20	parametric	parametric	ADJ
ijassa-503	209	21	neural	neural	ADJ
ijassa-503	209	22	network	network	NOUN
ijassa-503	209	23	learning	learn	VERB
ijassa-503	209	24	algorithm	algorithm	NOUN
ijassa-503	209	25	based	base	VERB
ijassa-503	209	26	on	on	ADP
ijassa-503	209	27	the	the	DET
ijassa-503	209	28	intervals	interval	NOUN
ijassa-503	209	29	extension	extension	NOUN
ijassa-503	209	30	procedure	procedure	NOUN
ijassa-503	209	31	numerical	numerical	ADJ
ijassa-503	209	32	experiments	experiment	NOUN
ijassa-503	209	33	conclusion	conclusion	VERB