由于高保真CFD提供了前所未有的对湍流的物理洞察，工程应用降阶建模（ROM）在过去几十年中一直是一个主要的研究热点。ROM的主要目标是在不计算完整的Navier-Stokes（NS）方程的情况下模拟流场的关键物理/特征。这是通过将高维动力学投影到低维子空间来实现的，通常使用降维技术，如适当正交分解（POD）和伽辽金投影。在这项工作中，我们展示了一种基于深度学习的方法，使用规范DNS数据集的POD基础，为湍流控制应用构建ROM。 我们发现，一种主要用于语音建模和语言翻译等问题的递归神经网络——长短时记忆（LSTM），在湍流的时间动力学建模方面显示出诱人的潜力。此外，我们引入赫斯特指数作为研究非平稳数据的LSTM行为的工具，并揭示可能有助于各种应用程序ROM开发的有用特征。

手势识别的目的是识别人体有意义的动作，在智能人机交互中至关重要。本文提出了一种基于三维卷积和卷积长短时记忆(LSTM)网络的多模态手势识别方法。该方法首先通过三维卷积神经网络学习手势的短期时空特征，然后在提取的短期时空特征的基础上，通过卷积LSTM网络学习长期时空特征。此外，我们评估了多模态数据之间的微调，我们发现，当没有预先训练的模型存在时，它可以被视为一种可选的技能，以防止过拟合。在ChaLearn LAP大规模孤立手势数据集(IsoGD)和Sheffield Kinect手势数据集(SKIG)上对该方法进行了验证。结果表明，该方法在IsoGD验证集上的识别准确率为51.02%，在SKIG验证集上的识别准确率为98.89%。 3d卷积，卷积LSTM，手势识别，多模态

使用Deeplearning4j在Scala中检测垃圾邮件。

一个模型+主程序，然后里面还有CWRU轴承的数据，直接可以运行。 想修改模型可以在model.py里修改，这样就可以拿来自己搞点东西。

以MNIST手写数字识别任务为例，使用FPGA搭建了一个LSTM网络加速器，并选取MNIST数据集中的10张图片，通过vivado软件进行仿真验证。实验结果表明，本文设计的基于FPGA的LSTM网络加速器可以完成图片分类任务，其准确率为90%(10张图片，1张分类错误)，详细的介绍见我博客。

基于CNN和LSTM的脑电情绪识别_运用卷积神经网络_4D-CRNN,数据集为DEAP和seed。数据集采用的是脑电研究中最常用的DEAP和SEED数据集并且在两个数据集中都取得了很高的准确率。都达到了92%左右的准确率

* 前馈神经网络 [FFNN.ipynb] (models / FFNN.ipynb) * 简单移动平均线 [SMA.ipynb]（模型 / SMA.ipynb） * 加权移动平均线 [WMA.ipynb] (models / WMA.ipynb) * 简单指数平滑 [SES.ipynb] (models / SES.ipynb) * Holts Winters [HW.ipynb]（型号 / HW.ipynb） * 自回归综合移动平均线 [ARIMA.ipynb] (models / ARIMA.ipynb) * 循环神经网络 [RNN.ipynb]（模型/RNN.ipynb） * 长短期记忆单元 [LSTM.ipynb] (models / LSTM.ipynb) * 门控循环单元格 [GRU.ipynb] (models / GRU.ipynb) 短期电力负荷预测研究生项目中，数据取自德里国家负荷调度中心网站，在项目过程中实施了多种时间序列算法。

使用了：python+pytorch+Transformer+BiLSTM+ATTN+CNN 自己出上联，AI可以对出下联 运行 preprocess.py 进行数据预处理（已经训练好了，可选择忽略） 运行 main.py [-m model type] 进行训练（已经训练好了，可选择忽略） 运行 clidemo.py <-p model path> 可在控制台进行AI对对联 运行 webdemo.py 可在Web端进行AI对对联 命令行参数的详细说明见文件内，你也可以在 module/model.py 中定义你自己的模型。 Using Docker：docker pull wisedoge/coupletai

使用tensorflow实现的中文实体识别LSTM+CRF（简单界面）

14通过对前14年的天气预报数据进行分析，（温度、风速，累计降雨量）预测未来6年的温度、风速和累计降雨量