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

LSTM官方例程的电影评论数据集 imdb.pkl

LSTM/CNN网络实现新闻文本分类Jupter源代码，下载后可以在Jupter下直接运行。 包括词向量表，单词词典，jupter源代码

数据融合matlab代码基准模型 这是使用卡尔曼滤波器进行基线生产的代码。 它是在以下模型中实现的模型的实现： 要使用此代码： 设置参数，数据集路径settings.yaml（Bicycle模型可能显示训练不稳定，欢迎提供帮助。） 运行train_kalman_predict.py开始训练。 在settings.yaml的load_name字段中输入经过训练的模型的名称（应采用 _ _ 的形式） 运行plot_results.py以绘制轨迹样本，估计的位置和预测 运行save_results.py以保存在测试集上计算出的预测结果 运行stats_results.py以打印度量标准评估，绘制协方差匹配和误差直方图（来自保存的结果） ＃数据集 NGSIM 在NGSIM网站上： 在以下位置注册 下载US-101-LosAngeles-CA.zip和I-80-Emeryville-CA.zip 将车辆轨迹数据解压缩并提取到raw / us-101和raw / i-80中 从googledrive： 下载i-80： 下载us-101： 数据集字段： do

三种网络对比