本系列讲解循环神经网络RNN和LSTM的所有知识点，学完本系列课程将对RNN和LSTM的理论知识有清晰的认识，同时能够将理论结合实践应用到工作中。

lstm tensorflow 使用 LSTM 模型来对泰坦尼克号数据集进行预测 使用 Keras 深度学习框架 通过使用 scikit-learn 的 load_titanic 函数来完成

神经字幕 该项目拍摄图像并生成合适的标题。 它使用两个CNN之一来提取图像特征，然后将其输入LSTM。 然后，LSTM逐字生成一个句子。 该项目基于使用TensorFlow 1.14的Python 3.7.4构建。 Inception_v3和VGG16是此项目中使用的两个预加密的CNN。 它使用Flickr30k数据集进行训练和测试。 对于Inception_v3，每个图像的大小调整为299 x 299像素，对于VGG16，图像的大小调整为224 x 224像素。 这是一个例子： 标题：一个街角，前面有灯

在pytorch环境搭建Attention_biLSTM模型，python版本3.7，实现NLP情感分类，内含测试数据，可直接运行

包含比赛代码、数据、训练后的神经网络模型等。 在分析光伏发电原理的基础上，论证了辐照度、光伏板工作温度等影响光伏输出功率的因素，通过实时监测的光伏板运行状态参数和气象参数建立预测模型，预估光伏电站瞬时发电量，根据光伏电站DCS系统提供的实际发电量数据进行对比分析，验证模型的实际应用价值。 1 数据探索与数据预处理 1.1 赛题回顾 1.2 数据探索性分析与异常值处理 1.3 相关性分析 2 特征工程 2.1 光伏发电领域特征 2.2 高阶环境特征 3 模型构建与调试 3.1 预测模型整体结构 3.2 基于LightGBM与XGBoost的构建与调试 3.3 基于LSTM的模型构建与调试 3.4 模型融合与总结 4 总结与展望 参考文献

使用BP神经网络和LSTM预测股票价格（注释拉满）+数据集.zip 代码详细注释、带有数据集 Jupyter Notebook 使用BP神经网络和LSTM预测股票价格（注释拉满）+数据集.zip 代码详细注释、带有数据集 Jupyter Notebook 使用BP神经网络和LSTM预测股票价格（注释拉满）+数据集.zip 代码详细注释、带有数据集 Jupyter Notebook

使用LSTM、GRU、BPNN进行时间序列预测源码+数据集（课设源码）.zip 使用LSTM、GRU、BPNN进行时间序列预测 Jupyter Notebook 课程大作业 使用LSTM、GRU、BPNN进行时间序列预测 Jupyter Notebook 课程大作业

隐马尔可夫模型 (HMM) 是一种信号预测模型，已被用于预测经济状况和股票价格。 该项目旨在实现将机器学习算法应用于股票市场的目标。 长短期记忆模型（LSTM）保证了在新的时间状态下，随着隐藏层不断叠加输入序列，之前的信息可以继续向后传播而不会消失。我们的主要目的是通过预测一只股票的涨跌 使用 HMM-LSTM。 Experiment with 4 different models: GMM-HMM XGB-HMM GMM-HMM-LSTM XGB-HMM-LSTM Compared with the results: train_set

提取均值信号特征的matlab代码两个扬声器的基于 LSTM/BLSTM 的 PIT 在多通话者混合语音分离和识别方面取得的进展，通常被称为“鸡尾酒会问题”，并没有那么令人印象深刻。 尽管人类听众可以很容易地感知混合声音中的不同来源，但对于计算机来说，同样的任务似乎极其困难，尤其是当只有一个麦克风记录混合语音时。 1. 运行性能 注意：训练集和验证集包含通过从 WSJ0 集中随机选择说话者和话语生成的两个说话者混合，并以 -2.5 dB 和 2.5 dB 之间统一选择的各种信噪比 (SNR) 混合它们. 对于LSTM ，不同性别的混合音频结果如下： 对于BLSTM ，不同性别的混合音频结果如下： 从上面的结果可以看出，混合性别音频的分离效果优于同性音频，BLSTM 的性能优于 LSTM。 2. 评价标准 SDR：信号失真比 SAR：信号与伪像的比率 SIR：信号干扰比 STOI：短期客观可懂度测量 ESTOI：扩展的短期目标可懂度测量 PESQ：语音质量的感知评估 3. 依赖库 matlab（我的测试版：R2016b 64位） tensorflow（我的测试版本：1.4.0） anac

SZ-taxi。该数据集由深圳2015年1月1日至1月31日的出租车轨迹数据组成，本文选取罗湖区156条主要道路作为研究区域。实验数据主要包括两部分。一个是156*156的邻接矩阵，它描述了道路之间的空间关系。每一行表示一条道路，矩阵中的值表示道路之间的连接性。另一个是特征矩阵，它描述了每条道路上的速度随时间的变化。每一行代表一条路，每一列是不同时段道路上的交通速度。每15分钟计算一次每条路上的车速。GNN-LSTM GCN GNN LSTM RNN