基于贝叶斯优化长短期记忆网络(bayes-LSTM)的时间序列预测，matlab代码，要求2019及以上版本。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

MATLAB开发的LSTM深度学习网络来预测时间序列的工具箱-支持单时间序列和多元时间序列的预测

基于卷积-长短期记忆网络加注意力机制（CNN-LSTM-Attention）的时间序列预测程序，预测精度很高。 可用于做风电功率预测，电力负荷预测等等 标记注释清楚，可直接换数据运行。 代码实现训练与测试精度分析。

基于注意力机制attention结合长短期记忆网络LSTM时间序列预测，LSTM-Attention时间序列预测，单输入单输出模型。 运行环境MATLAB版本为2020b及其以上。 评价指标包括:R2、MAE、MSE、RMSE等，代码质量极高，方便学习和替换数据。

基于卷积神经网络-长短期记忆网络结合注意力机制(CNN-LSTM-Attention)多变量时间序列预测，CNN-LSTM-Attention多维时间序列预测，多列变量输入模型。matlab代码，2020版本及以上。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于卷积神经网络-双向长短期记忆网络(CNN-BILSTM)数据回归预测，多变量回归预测模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

Matlab实现GA-LSTM遗传算法优化长短期记忆网络的数据多输入单输出回归预测（完整源码和数据) 命令窗口输出MAE、MAPE、MSE、R2、MSE等指标。 优化学习率、隐藏层节点数、正则化系数。

空气环境问题越发成为人们关注的焦点.除了工厂排放的各种废气，私家车的普及都导致了当前令人担忧的空气环境状况.国家相关部门也开始加大对空气环境的治理，提出了环境质量网格化监测的相关政策.在此背景下，市场涌现出很多微型监测仪器，但由于自身内部的传感器精准度不够，存在数据偏差的问题.为了解决这一问题，本文通过利用神经网络技术中的长短期记忆网络（Long Short-Term Memory，LSTM）模型结合半监督学习方法，达到提高监测数据的精准度的目的.通过与其它模型进行对比分析，该方法达到了一定的效果.

针对网络入侵检测准确率偏低而误报率偏高的问题，提出一种融合卷积神经网络（CNN）与双向长短期记忆（ BILSTM）网络的网络入侵检测方法。对 Kddcup99数据集进行预处理，并分别使用CNN模型、 BILSTM模型提取局部特征和长距离依赖特征，通过注意力机制计算特征的重要性，利用 softmax分类器获得最终的分类结果实验结果表明，与基于CNN和基于LSTM的方法相比，该方法的网络入侵检测效果较好，其准确率可提高至95.0%，误检率可降低至5.1%。

时空记忆网络的Trainig脚本 该代码库实现了具有训练代码。 要求 python包 火炬 python-opencv 枕头 yaml ga 雅克 进步 （可选） GPU支持 GPU内存> = 12GB CUDA> = 10.0 数据 有关准备好的数据集的数据组织的更多详细信息，请参见doc 。 释放 我们在代码库中提供了具有不同主干的预训练模型，结果在带有梯度校正的DAVIS17-val上得到了验证。 模型 骨干 数据后端 Ĵ F J＆F 关联 第一人称射击 STM循环 Resnet18 大理 65.3 70.8 68.1 14.8 STM循环 Resnet50 皮尔 70.5 76.3 73.4 9.3 正在运行 将根文件夹附加到python解释器的搜索路径 export PYTHONPATH= ${PYTHONPATH} :./ 要训​​练STM网