将循环神经网络中的长短期记忆网络和前馈注意力模型相结合，提出一种文本情感分析方案。在基本长短期记忆网络中加入前馈注意力模型，并在TensorFlow深度学习框架下对方案进行了实现。根据准确率、召回率和F₁测度等衡量指标，与现有的方案对比表明，提出的方案较传统的机器学习方法和单纯的长短期记忆网络方法有明显的优势。

对于许多研究人员和审查员来说，确定股票价格的专业性一直是一项麻烦的任务。 事实上，金融专家对股票价值预测的检查领域非常感兴趣。 对于体面而有用的投机，众多投机者对股市未来走势了如指掌。 强大而强大的股票市场预测框架可帮助交易商、投机者和专家提供重要数据，例如股票市场的未来走向。 这项工作提出了一种循环神经网络 (RNN) 和长短期记忆 (LSTM) 方法来处理预期的股市文件。

Matlab实现GA-LSTM遗传算法优化长短期记忆网络的数据多输入单输出回归预测（完整源码和数据) 命令窗口输出MAE、MAPE、MSE、R2、MSE等指标。 优化学习率、隐藏层节点数、正则化系数。

为了提高风电功率的预测精度,研究了一种基于粒子滤波(PF)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PF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摸型的新的输入数据;利用处理后的新的输入数据和输出数据,建立PF-RBF神经网络预测摸型,预测风电场的输出功率。仿真结果表明,使用该预测摸型进行风电功率预测,预测精度有一定的提高,连续 120 h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%。

空气环境问题越发成为人们关注的焦点.除了工厂排放的各种废气，私家车的普及都导致了当前令人担忧的空气环境状况.国家相关部门也开始加大对空气环境的治理，提出了环境质量网格化监测的相关政策.在此背景下，市场涌现出很多微型监测仪器，但由于自身内部的传感器精准度不够，存在数据偏差的问题.为了解决这一问题，本文通过利用神经网络技术中的长短期记忆网络（Long Short-Term Memory，LSTM）模型结合半监督学习方法，达到提高监测数据的精准度的目的.通过与其它模型进行对比分析，该方法达到了一定的效果.

详细介绍了风电功率预测现状，并详尽介绍了风电功率预测的方法，及其原理和建模方法，推荐！

针对网络入侵检测准确率偏低而误报率偏高的问题，提出一种融合卷积神经网络（CNN）与双向长短期记忆（ BILSTM）网络的网络入侵检测方法。对 Kddcup99数据集进行预处理，并分别使用CNN模型、 BILSTM模型提取局部特征和长距离依赖特征，通过注意力机制计算特征的重要性，利用 softmax分类器获得最终的分类结果实验结果表明，与基于CNN和基于LSTM的方法相比，该方法的网络入侵检测效果较好，其准确率可提高至95.0%，误检率可降低至5.1%。

通过研究电力负荷预测中支持向量机的参数优化问题，将改进后新的粒子群算法导入支持向量机参数中，从而建立一种新的电力负荷预测模型（IPSO-SVM）。首先将支持向量机参数编码为粒子初始位置向量，然后通过对粒子个体之间信息交流、协作的分析找到支持向量机的最优参数，并针对标准粒子群算法的缺陷进行一定的改进，从而应用于电力负荷的建模与预测，最后通过仿真对比实验来测试它的性能。实验结果表明，这种新的电力负荷预测模型能够获得较高精度的电力负荷预测结果，大大减少了训练时间，能够满足电力负荷在线预测要求。

电力负荷预测是电力系统规划的重要组成部分。为了使电力系统安全经济平稳的运行，由此特别需要精确的电力负荷预测方法。为了实现更好负荷预测方法，文中将经验模态分解（EMD）与新兴的电力负荷预测模型分形理论相结合，提出了EMD-分形负荷预测模型。为了证明此方法的有效性，文中将这种新的预测模型跟分形预测模型和BP神经网络预测模型相比较。最终通过仿真算例说明了本文提出的这种新型预测方法精度更高，几乎所有的误差都在2％以下，预测结果更好，可以很好的应用在电力系统负荷预测中。

【电力负荷预测】 GUI粒子群支持向量机短期电力负荷预测【含Matlab源码 751期】.zip