滚动轴承的运行状态对整机工作状态影响重大, 但目前其故障诊断方法存在依赖手工特征提取、鲁棒性不高等问题. 因此, 本文提出了一种基于改进的一维卷积神经网络(1D-CNN)和长短期记忆网络(LSTM)集成的滚动轴承故障诊断方法(1D-CNN-LSTM). 首先, 利用改进的1D-CNN-LSTM模型对滚动轴承6种不同的工作状态进行了分类识别实验, 实验结果表明提出的分类模型能够以较快的速度识别出滚动轴承的不同状态, 平均识别准确率达99.83%; 其次, 将提出的模型与部分传统算法模型进行对比实验, 结果表明所提方法在测试精度方面有较大优势; 最后, 引入迁移学习测试模型的鲁棒性和泛化能力, 实验结果表明提出的改进模型在不同工况下有较好的适应性和高效性, 模型有较强的泛化能力, 具备工程应用的可行性.

SequencePrediction Pytorch 实现RNN、LSTM、GRU模型

LSTM_Stock_Predictor 由于加密货币投机活动的波动性，投资者通常会尝试结合社交媒体和新闻文章的观点来帮助指导其交易策略。 这样的指标之一就是 ，它试图使用各种数据源来产生加密货币的每日FNG值。 让我们使用FNG值和简单的收盘价来构建和评估深度学习模型，以确定FNG指标是否为加密货币提供比正常收盘价数据更好的信号。 我们将使用深度学习递归神经网络来建模比特币收盘价。 一个模型将使用FNG指标来预测收盘价，而第二个模型将使用收盘窗口来预测第n个收盘价。 方法： 准备数据以进行培训和测试 我们将使用n天窗口的时间窗口对数据进行切片。 对于Fear and Greed模型，我们将使用FNG值来尝试并预测收盘价。 对于收盘价模型，我们将使用之前的收盘价来尝试并预测下一个收盘价。 在每个模型中，我们将使用70％的数据进行训练，并使用30％的数据进行测试 使用MinMax

tf2_lstm 使用tensorflow 2.0 rc1在LSTM上进行试验。 使用来自实际油井的每日生产数据。

做自然语言处理中，关于情感分析的项目，用到了LSTM算法，在其中词嵌入word_embedding中需要用的glove算法预先训练数据，需要用的预训练数据。

张量流-lstm回归 这是基于循环网络的回归器的示例： 目的是根据以前使用LSTM架构的观察结果，在本示例中预测连续值，sin和cos函数。 本示例已更新为与tensrflow-1.1.0兼容的新版本。 这个新版本使用了一个库 ，该库提供了一个API，可基于张量流创建深度学习模型和实验。 安装并运行 创建一个虚拟环境 建议您为安装程序创建一个virtualenv，因为此示例高度依赖于需求文件中设置的版本。 使用python3 $ mkvirtualenv -p python3 ltsm (ltsm) $ 使用python2 $ mkvirtualenv ltsm (ltsm) $ 安

Tensorflow下Keras中Lstm方法进行时间序列预测，代码中做了详尽的中文解释，并对一些参数进行了注释和说明。适合初学者练手。该例子中所用数据为双色球历史开奖数据（7列），用本期开奖数据预测下一期数据（当然预测结果是相差很远）。可以通过反复调整参数观察预测的结果，学习各参数对预测结果的影响。

使用LSTM和其他算法进行无监督的异常检测 在合成时间序列数据上使用LSTM（长期短期记忆）算法进行无监督的异常检测。 它使用均方误差作为此类数据中离群值的度量。 原始信号，平滑信号和通过MSE进行异常检测的图表。 一些待办事项： Keras（TF后端） 估算真实数据（例如，） PyTorch端口 其他方法： 带有状态转换的有限状态自动机，用于时间序列数据分段（ ） 一类NN（） 待定 参考

针对传统数据驱动的故障诊断方法难以从QAR数据中提取有效特征的问题，提出一种融合卷积神经网络（convolutional neural network，CNN）与长短时记忆网络（long short-term memory，LSTM）的双通道融合模型CNN-LSTM。CNN与LSTM分别作为两个通道，通过注意力机制（attention）融合，从而使模型能同时表达数据在空间维度和时间维度上的特征，并以时间序列预测的方式验证融合模型特征提取的有效性。实验结果表明，双通道融合模型与单一的CNN、LSTM相比，能够更有效地提取数据特征，模型单步预测与多步预测误差平均降低35.3%，为基于QAR数据的故障诊断提供一种新的研究思路。

针对中文文本自动校对提出了一种新的基于Seq2Seq和Bi-LSTM结合的深度学习模型。与传统的基于规则和概率统计的方法不同，基于Seq2Seq基础结构改进，加入了Bi-LSTM单元和注意力机制，实现了一个中文文本自动校对模型。采用F0.5与GLEU指标评价，通过公开的数据集进行不同模型的对比实验。实验结果表明，新模型能有效地处理长距离的文本错误以及语义错误，Bi-RNN以及注意力机制的加入对中文文本校对模型的性能有显著提升。