基于LSTM的短期风力发电预测

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

使用时间滑动LSTM网络的3D人类行为理解 这是Ensemble TS-LSTM v1，v2和v3模型的Tensorflow实现，该论文来自论文和论文 。 您可以在或前一篇论文的。 这也是论文中的通用时间滑动LSTM（TS-LSTM）模型的Tensorflow实现。 广义的TS-LSTM网络由多个TS-LSTM模块组成，并且可以由超参数控制，例如L-STM窗口大小，时间跨度和TS-LSTM模块的运动特征偏移。 要求（Ubuntu，Matlab除外） Python 2.7.12（NTU） 0.11.0rc2（NTU） Python 3.5.2（UCLA和UWA） 1.4.1（UCLA和UWA） 脾气暴躁的 Matlab 2017a（Windows） 数据集 我们发现有关NTU RGB + D数据集中的骨架数据的一些问题。 垃圾桶骨架：有时Kinect会检测到垃圾桶骨架，即使

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：

CNN-LSTM-Caption-Generator-master.zip CNN-LSTM-Caption-Generator-master.zip CNN-LSTM-Caption-Generator-master.zip

LSTM(Long Short Term Memory，长短期记忆网络)介绍 介绍：LSTM，也就是长短期记忆网络，是一种 RNN 特殊的类型，可以学习长期依赖信息。要想较好理解LSTM请先查看之前写的RNN的简单理解文章。在传统RNN训练经常会出现无法解决长期依赖、梯度消失和梯度爆炸的问题，学习能力有限，在实际任务中的效果往往达不到预期效果。此时引入LSTM，LSTM是RNN的一种变体，是为了解决长期依赖问题而专门设计出来的，可以对有价值的信息进行长期记忆，减小了循环神经网络的学习难度。 应用领域：语音识别、语言建模、机器翻译、命名实体识别、图像描述文本生成。 图说LSTM结构 LSTM图标

对于LSTM应用于时间序列方面的人工智能预测很有实践意义的MINI课程,对于如何 用LSTM深度学习网络做时间序列上预测做了很好的示范与教学，

LSTM 作为预测模型，使用贝叶斯优化算法来实现股票预测的功能

可以用遗传算法GA优化LSTM网络的超参数

此为英文文档，内容（按在文档中出现的顺序排列）：RNN、BPTT、Vanishing Gradient Problem、Weight Conflict Problem、Treating Vanishing Gradient: Constant Error Carrousel (CEC)、Treating Wight Conflict: Gating Function、CEC + Gates（LSTM）、Why LSTM solves the problem、Experiment : two-sequence problem、Experiment : adding/multiplication problem、Experiment : temporal order problem、Introducing Forget Gate。