十段线和南海岛屿，shp格式，审图号标准期刊用图

全球国家边界矢量数据shp格式

Drive训练20张，测试20张 Chase训练20张，测试8张

链接: https://pan.baidu.com/s/1m6nDHKCPlHAHnP0xWhUE5A 提取码: pg3z

医学去噪数据集：Mayo-Grand-Challenge，百度云下载

棉花病害检测数据集YOLO8 许可证：CC BY 4.0 此数据集是，棉花病害检测数据集YOLO8，共1024张图片，为模型可推广性创建新的对象检测基准的倡议。

train.csv：训练集、test.csv：测试集 historical_transactions.csv：信用卡(card_id)在给定商家的历史交易记录，对于每张信用卡，最多包含其三个月的交易记录 new_merchant_transactions.csv：每张信用卡在新商家的购物数据，最多包含两个月的数据(字段说明同上) merchants.csv：数据集所有商家(商家id)的附加信息

Tableau 超市数据集

共有16个数据集，适合做以下分析： （1）广州二手房数据分析 （2）电影数据分析 （3）北京二手房数据分析 （4）全球航班数据分析 （5）Twitter Layoffs 关于推特裁员的评论 （6）Walmart Sales 沃尔玛销售数据 （7）French bakery 法国面包店日销售额 （8）疫情大数据分析 （9）手机客户使用情况分析 （10）世界生育率数据集 （11）保险业务数据分析 （12）ONU Sustainability 国家发展的可持续性 （13）Global Hunger Index 全球饥饿指数 （14）Cost prediction 美国食品市场媒体宣传费用数据 （15）CarnivorousDiets 肉食动物饮食数据集 （16）Car_price 汽车产品数据分析

使用LSTM实现C-MAPSS数据集里面的剩余寿命预测（Pytorch） 每轮训练后测试集误差 score:445.4610 334.5140 358.6489 365.9250 331.4520 283.3463 460.4766 314.7196 325.5950 452.3746 RMSE:16.3614 14.8254 14.9796 15.5157 14.7853 14.2053 16.2834 14.6757 14.7481 15.8802 由实验结果可知，MS-BLSTM 的预测误差均为最低水平，并且实际训练过程中收敛速度较快，涡扇发动机接近损坏时预测准确率较高。与传统机器学习方法相比，深度学习模型如CNN 和 LSTM的预测误差相对较小。而本文所提的 MS-BLSTM 混合深度学习预测模型进一步提高了 RUL 预测精度,，这得益于 MS-BLSTM 混合模型有效利用了时间段内传感器测量值的均值和方差与RUL的相关性，并使用 BLSTM学习历史数据和未来数据的长程依赖。本文所提的 MS-BLSTM 剩余使用寿命预测模型预测精度高，可有力支撑涡扇发动机的健康管理与运维决策。