该资料用RNN，LSTM，GRU神经网络三个算法分别对电力负荷进行预测，数据集是某地一年的电力负荷数据集，采样时间为每15分钟采样一次，每日一共有96个采样点。

MATLAB实现RNN(循环神经网络)时间序列预测数据集

针对现有煤矿安全隐患信息采集系统语义特征提取效率不高、数据采集智能化程度低等问题，提出了一种基于改进循环神经网络(RNN)的煤矿安全隐患信息关键语义智能提取系统。该系统利用循环神经网络记忆过往认知的特点，构建基于RNN的煤矿安全隐患信息关键语义智能采集模型，以逗号为界限进行语句分割，逐句提取关键语义特征，积累过往提取特征的记忆，最终获取安全隐患特征关键词。实验结果表明：该系统具有高精准度特征提取，语义映射命中率高等特性，实现了煤矿安全隐患关键信息智能采集，提高了日常安全生产隐患排查效率，减少了煤矿安全事故的发生。

主要介绍了Python使用循环神经网络解决文本分类问题的方法,结合实例形式详细分析了Python神经网络相关概念、原理及解决文本分类具体操作技巧,需要的朋友可以参考下

对上证指数进行量化， 对每天的收盘指， 进行一个基本的处理， 然后用简单的RNN循环神经网络去处理， 和学习时间序列的内部关系，然后预测下一天的指数。

# 代码功能: LS-TM 循环神经网络，预测时间序列---------------------------- # 第1步: 处理原始数据集, 归一化，制作X_train、Y_train、X_test、Y_test # 第2步: 训练LS-TM网络, epoch=300 # 第3步: 时间序列预测

长短时记忆(long short term memory,LSTM)是一种有效的链式循环神经网络(recurrent neural network,R2 NN1),被广泛用于语言模型、机器翻译、语音识别等领域。[1]本文具体就LSTM的具体实现做出推导。

网络安全作业，里面附有说明

机器学习相关学习资料

从复杂系统的历史故障数据出发,提出了一种基于长短期记忆(LSTM)循环神经网络的故障时间序列预测方法,包括网络结构设计、网络训练和预测过程实现算法等,进一步以预测误差最小为目标,提出了一种基于多层网格搜索的LSTM预测模型参数优选算法,通过与多种典型时间序列预测模型的实验对比,验证了所提出的LSTM预测模型及其参数优选算法在故障时间序列分析中具有很强的适用性和更高的准确性。 知网论文，学习使用