文章在深度学习理论的基础上应用LSTM网络对电力负荷进行了预测，具有较高的应用价值。

准确的电力负荷预测可以保证电力供应的稳定，降低用电成本，提高供电质量。在进行短期电力负荷预测时，考虑到时序数据的时间相关性，应用张量流深度学习框架构建了LSTM 神经网络模型，对电力负荷时序数据进行回归预测

Matlab可用于电力系统短期负荷预测的RBF神经网络程序-可用于电力系统短期负荷预测的RBF神经网络程序.rar 可用于电力系统短期负荷预测的RBF神经网络程序

针对群体情绪识别准确率的问题，结合卷积神经网络（CNN）与长短期记忆网络（LSTM），提出一种多流CNN-LSTM网络模型学习群体情绪的静态和动态特征。以视频序列的原始图像、视觉显著图形和叠加的光流图像分别作为三个通道的输入，利用CNN网络对空间特征和局部运动特征进行分析，得到的特征图直接输入LSTM网络，进行全局运动特征的学习。最后连接Softmax分类器，对三个通道的Softmax输出进行加权融合，得到分类结果。实验结果表明，模型可有效地识别四种典型的群体情绪，且识别率高于已有算法，准确度（ACC）和宏平均精度（MAP）分别最高可达82.6%、84.1%。

内附问题、数据和代码，利用的是R语言的net包构建BP神经网络，准确率可以达到百分之96。哪里不尽人意还请大家多多指教。

《NLP汉语自然语言处理原理与实现》第九章LSTM的python的代码实现，使用python3实现。可运行。

用LSTM长短期记忆网络实现的金融序列单步预测的代码，基于keras框架搭建的模型，可以用于参考学习

本资源主要是描述高压电缆故障检测的方法，给人们在以后的日常生活提供便利！

为了提高风电功率的预测精度， 研究了一种基于粒子滤波（ Ｐ Ｆ） 与径向基函数（ ＲＢＦ） 神经网络相结合的风电功率预测方法。使用 Ｐ Ｆ算法对历史风速数据进行滤波处理， 将处理后的风 速数据结合风向、 温度的历史数据， 归一化后构成风电功率预测模型的新的输入数据； 利用处理后 的新的输入数据和输出数据， 建立 Ｐ Ｆ－ＲＢＦ神经网络预测模型， 预测风电场的输出功率。仿真结果 表明， 使用该预测模型进行风电功率预测， 预测精度有一定的提高， 连续１ ２０ｈ功率预测的平均绝对 百分误差达到８．０４％， 均方根误差达到１０．６７％

师兄给我们科研项目组内容学习的优秀论文和配套源码。本文的预测方法收敛性好、有较高的预测精度和较快的训练速度。