本文受生物DNA分子遗传机制和混沌优化算法的启发,提出了一种混沌DNA遗传算法,用于优化T-S模糊 递归神经网络(FRNN).该方法使用碱基序列表示T-S模糊递归神经网络的前件部分参数,包括模糊规则数,隶属度 函数中心点和宽度;设计更为复杂的遗传操作算子来改进遗传算法的寻优性能;利用混沌优化算法优化种群中的较差个体.同时使用递推最小二乘法(RLS)来辨识T-S模糊递归神经网络的后件部分参数.最后,采用基于混沌DNA遗 传算法的T-S模糊递归神经网络对一种典型的pH中和过程进行建模。通过与其他建模方法的比较

利用卷积递归神经网络对三维重叠源进行声事件定位和检测

An architecture for emergency event prediction using LSTM recurrent neural networks 论文学习

递归神经网络预测Google股票价格 我试图使用LSTM预测Google股票价格 长短期记忆（LSTM）单元（或块）是递归神经网络（RNN）层的构建单元。 由LSTM单元组成的RNN通常称为LSTM网络。 常见的LSTM单元由单元，输入门，输出门和忘记门组成。 该单元负责在任意时间间隔内“记住”值。 因此，LSTM中的“内存”一词。 就像多层（或前馈）神经网络中一样，这三个门中的每一个都可以被认为是“常规”人工神经元：也就是说，它们计算加权和的激活（使用激活函数）。 从直觉上讲，它们可以看作是通过LSTM连接的值流的调节器。 因此表示“门”。 这些门与单元之间存在连接。 更好的预测模型的结果是：

海浪模型的matlab代码海浪预测 该存储库使用递归神经网络根据以前的数据预测海浪。 它从模拟中获取时空数据，然后在时间序列数据中应用递归神经网络。 时间序列数据中的每个节点都是空间域。 该代码是论文中CRNN的修订版：卷积RNN：一种从顺序数据中提取特征的增强模型（） 调用以下函数等效于应用一个CRNN层。 对于具有几个CRNN层的深层模型，应多次调用该函数。 给定一个张量，该函数提取kernel_size时间步长的补丁，并使用一个或多个递归层对其进行处理。 然后返回递归神经网络的隐藏状态作为代表路径的特征向量。 精氨酸： 张量：要执行操作的张量，其形状为[batch, time-steps, features]或[batch, time-steps, features, 1] 。 kernel_size：每个补丁/窗口中包含的时间步数（与标准一维卷积相同）。 步幅：两个连续补丁/窗口之间的时间步数（与标准一维卷积中的时间步数相同）。 out_channels：从每个面片/窗口中提取的要素数量（在标准的一维卷积中，称为要素图的数量），它是处理每个面片/窗口的循环图层的隐藏维。 rnn

IJCNN 2018提交代码 关于本文 发言题目：通过并行卷积递归神经网络的多通道脑电图情感识别 作者：杨一龙，吴庆峰，邱明，王应东，陈晓伟 院校：厦门大学 指示

引文 文章： ： 如果您发现此存储库对您的研究有用，请引用此工作： Martinsson, J., Schliep, A., Eliasson, B. et al. J Healthc Inform Res (2019). https://doi.org/10.1007/s41666-019-00059-y 先决条件 该代码旨在在OhioT1DM数据集上运行。 因此，要使用它（例如，示例实验YAML配置）中的xml_path需要指向XML数据文件所在的磁盘上的路径。 例如，更改“ / home / ubuntu / ohio_data / OhioT1DM-training /”以指向包含ohio数据集XML文件的Ohiot1DM-training文件夹。 当然可以编写一个新的数据集模块，该模块将数据加载为所需格式并在其他数据上训练模型。 安装 $> chmod +x setup

股票价格预测器：建立LSTM递归神经网络来预测股票市场价格

对于许多分析师和研究人员而言，预测特定股票的价格一直是一项艰巨的任务。 实际上，投资者对股票价格预测的研究领域非常感兴趣。 但是，提高预测单个股票价格的准确性确实是一项艰巨的任务。 因此，在本文中，我提出了一种序贯学习模型，用于使用LTSM-RNN方法预测带有公司行为事件信息和宏观经济指标的单个股票价格。 结果表明，该模型有望成为预测具有公司行为和公司发行等变量的单个股票的价格的有前途的方法。

神经网络 卷积神经网络的Keras文本识别实现 此实现中有两种可用的模型。 一个基于原始CRNN模型，另一个则包含空间转换器网络层以纠正文本。 但是，性能差别不大，因此由您决定选择哪种型号。 训练 您可以使用Synth90k数据集训练模型，但也可以使用自己的数据。 如果使用自己的数据，则必须重写代码，以便根据数据结构来加载数据。 要下载Synth90k数据集，请转到此并下载MJSynth数据集。 可以将Synth90k数据集放在data/Synth90k或者使用--base_dir参数指定数据集的路径。 基本目录应包括许多包含Synth90k数据的子目录，用于训练，验证和测试数据的注释文件，列出数据集中所有图像的路径的文件以及词典文件。 使用--model参数指定要使用的两个可用模型中的哪个。 默认模型是带有STN层的CRNN。 有关详细信息，请参见config.py 。 运行tra