LSTM网络的训练和测试,采用时间序列进行测试，训练时间较慢，要耐心等待。 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径

人工智能-项目实践-情感分析-基于LSTM网络与自注意力机制对中文评论进行细粒度情感分析 题目介绍 该题目为《细粒度用户评论情感分析》，来源于“全球AI挑战赛”。https://challenger.ai/competition/fsauor2018 对于题目内容以及任务描述均可从该网站获取，这里不再赘述。 成绩 单个模型最好的F1指标为：75.04 整体20个模型的综合F1指标为：68 数据集 数据集由比赛平台提供。包含105000条训练样本以及15000条测试样本。 关于数据集的标注可以点击这里查看。

人工智能_项目实践_铁路客运量预测_采用Tensorflow搭建的LSTM网络对民航客运量做的预测

基于深度学习的转矩及MTPA点的预测 数据模型和采集的数据在数据库中，可以自行下载 深度模型由tensorflow+keras 搭建，其中模型的架构参考网上的的这个模型是用tensorflow编写的，代码读起来比较复杂，所以用keras进行改编。 推荐一个深度学习的社区 里面的深度学习的详细教程。 代码包括 基于LSTM预测电机转矩 基于CNN预测电机MTPA点 基于CNN的预测电机转矩 基于LSTM预测电机MTPA点

可以用遗传算法GA优化LSTM网络的超参数

用LSTM写唐诗。使用tensorflow框架。代码是可以正常运行的代码，包含数据集。

IMU-PLOS_LSTM 使用LSTM网络通过PLOS训练IMU数据-这是自定义LSTM-RNN。 在这里，每个示例都应写入到csv中。 一个csv的训练示例包括[时间步数（窗口大小*（类数+功能昏暗））]

在金融二级市场上对数据的分析方法主要是基于统计学和人工建模的方法，本文的提出了使用神经网络的方法分析二级市场金融数据。本文首先提出了在金融二级市场上使用神经网络方法的思路，其次证明了在二级市场使用神经网络进行数据分析的可行性，并且根据金融数据的特点设计出一种适合于处理金融数据的CNN-LSTM网络来处理数据。该网络对比传统的简单的统计方法和一些神经网络方法比如逻辑回归，卷积神经网络（CNN），长短期记忆网络（LSTM）等方法，在对市场价格变化在较短时间内的预测和在较长时间内的预测都有显著的提高，比简单的统计方法提高10%，比其他神经网络提高5%。提出了一种能够较为有效分析金融二级市场数据的方法。

LSTM网络的降雨径流建模代码。 该模型每天运行一次，强迫数据是流域平均降水量、潜在蒸发量、最高和最低温度。 使用的数据来自美国 MOPEX 数据集（ https://www.nws.noaa.gov/ohd/mopex/mo_datasets.htm ）。

这是在深度学习工具箱中使用长短期记忆（LSTM）网络在接收器处实现符号分类以在OFDM系统中进行信号检测的示例。 基于 LSTM 的神经网络针对单个子载波进行训练，其中符号错误率 (SER) 被计算并与最小二乘 (LS) 和最小均方误差 (MMSE) 估计进行比较。 在此初步调查中，假设无线信道在离线训练和在线部署阶段是固定的。 为了测试神经网络的鲁棒性，对每个传输的 OFDM 数据包应用随机相移。 考虑了导频符号数量和循环前缀（CP）长度的影响。 要重新创建仿真结果，请加载相应的Mat文件并运行脚本Testing.m。 这段代码的想法受到论文的启发： H. Ye、GY Li 和 B. Juang，“OFDM 系统中信道估计和信号检测深度学习的力量”，IEEE 无线通信快报，第一卷。 7号1，第 114-117 页，2018 年 2 月。