包括：1、svm和lstm用于文本分类 2、keras上LSTM长短期记忆网络金融时序预测python代码 3、LSTM数据集+python源码 4、PSO-LSTM 5、RNN-LSTM卷积神经网络Matlab实现 6、股票预测 LSTM 时间序列rnn 代码程序数据集 7、基于贝叶斯优化的LSTM预测matlab

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。

使用Deeplearning4j在Scala中检测垃圾邮件。

道路交通事故是道路交通安全水平的具体体现，为使预测数据更科学地为交通管理系统提供决策。提出建立基于LSTM（Long Short-Term Memory）神经网络的交通事故模型，训练交通事故相关的数据，对交通安全水平的指标进行预测。经过与传统回归模型和传统神经网络模型进行实验对比，实验显示LSTM拟合效果最佳，另外LSTM模型对同一趋势上的预测效果有明显优势。通过使用LSTM模型捕获数据中存在的时序依赖关系，能够更准确地对交通事故安全水平进行预测，使交通管理部门制定更加科学准确的决策。

cryptocurrency-price-prediction：使用LSTM神经网络的加密货币价格预测

神经网络：用Python语言从零开始实现的卷积神经网络，LSTM神经网络和神经网络

在pytorch下，以数万首唐诗为素材，训练双层LSTM神经网络，使其能够以唐诗的方式写诗。 代码结构分为四部分，分别为 1.model.py，定义了双层LSTM模型 2.data.py，定义了从网上得到的唐诗数据的处理方法 3.utlis.py 定义了损失可视化的函数 4.main.py定义了模型参数，以及训练、唐诗生成函数。 参考：电子工业出版社的《深度学习框架PyTorch：入门与实践》第九章 main代码及注释如下 import sys, os import torch as t from data import get_data from model import PoetryM

完整代码，可直接运行

基于LSTM神经网络的股价短期预测模型，成烯，钟波，股价预测是时间序列预测领域最具有挑战性的问题，准确预测股价能够帮助投资者降低风险，提高收益。本文应用LSTM神经网络对股价指��

CS291K 使用CNN-LSTM组合神经网络模型对Twitter数据进行情感分析 论文： : 博客文章： : 动机 该项目旨在扩展我们以前使用简单的前馈神经网络（位于此处： ＆ ）进行的情绪分析工作。 相反，我们希望尝试使用Tensorflow构建组合的CNN-LSTM神经网络模型，以对Twitter数据进行情感分析。 依存关系 sudo -H pip install -r requirements.txt 运行代码 在train.py上，更改变量MODEL_TO_RUN = {0或1} 0 = CNN-LSTM 1 = LSTM-CNN 随时更改其他变量（batch_