台风是一种极端天气事件，每年夏天都会对沿海地区的城市经济造成重大损失。 预测台风的形成和强度以对台风灾害进行预警是非常重要的。 传统的基于流体理论的数值预报模型仍然很难准确地预测台风强度。 一些研究尝试使用机器倾斜方法来预测台风的形成和强度，但是他们并未考虑台风形成变量之间的时空关系。 在这里，我们提出了一个混合的CNNLSTM模型来学习大气和海洋变量的时空相关性。 我们的CNN-LSTM模型引入了3D卷积神经网络（3DCNN）和2D卷积神经网络（2DCNN），以了解台风形成特征之间的空间关系。 我们利用LSTM来学习台风路径中特征的时间序列关系。 在三个数据集上进行的广泛实验表明，我们的CNN-LSTM混合模型优于现有方法，包括许多官方组织使用的传统数值预测模型，统计预测方法和基于机器学习的方法。
2022-01-04 13:05:11
4.32MB
1
基于paddle从头实现了单向，多层，双向LSTM，给出了完整使用代码,并与paddle自带的LSTM进行了对比实验。
2021-12-31 19:03:42
8.64MB
使用torch搭建LSTM实现对羽毛球动作的实时训练并预测，本文将其分为数据集制作、数据处理、模型搭建以及可视化几个步骤
2021-12-31 09:12:04
388.84MB
利用tensorflow实现的循环神经网络RNN（本程序使用了LSTM）来做语言模型，并输出其困惑度。
#语言模型主要是根据一段给定的文本来预测下一个词最有可能是什么。困惑度用于评价语言模型。困惑度越小，则模型的性能越好。
2021-12-30 20:33:21
12KB
1
为减轻日益严重的交通拥堵问题，实现智能交通管控，给交通流诱导和交通出行提供准确实时的交通流预测数据，设计了基于长短时记忆神经网络（LSTM）和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子，建立时间序列预测模型框架，借助Matlab完成从数据的处理到模型的仿真，实现基于LSTM-BP的短时交通流精确预测.通过与LSTM\BP\WNN三种预测网络模型的对比，结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建，可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.
2021-12-30 17:57:11
1.32MB
1