对金融时间序列的建模，第一列数据为预测项

多类别文字分类 在Tensorflow中实现四个神经网络，以解决多类文本分类问题。 楷模 LSTM分类器。 参见rnn_classifier.py 双向LSTM分类器。 参见rnn_classifier.py CNN分类器。 参见cnn_classifier.py。 参考： 。 C-LSTM分类器。 请参阅clstm_classifier.py。 参考：。 资料格式 训练数据应存储在csv文件中。 文件的第一行应为[“ label”，“ content”]或[“ content”，“ label”]。 要求 Python 3.5或3.6 Tensorflow> = 1.4.0 脾气暴躁的 火车 运行train.py训练模型。 参数： python train.py --help optional arguments: -h, --help show

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.

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。

在金融二级市场上对数据的分析方法主要是基于统计学和人工建模的方法，本文的提出了使用神经网络的方法分析二级市场金融数据。本文首先提出了在金融二级市场上使用神经网络方法的思路，其次证明了在二级市场使用神经网络进行数据分析的可行性，并且根据金融数据的特点设计出一种适合于处理金融数据的CNN-LSTM网络来处理数据。该网络对比传统的简单的统计方法和一些神经网络方法比如逻辑回归，卷积神经网络（CNN），长短期记忆网络（LSTM）等方法，在对市场价格变化在较短时间内的预测和在较长时间内的预测都有显著的提高，比简单的统计方法提高10%，比其他神经网络提高5%。提出了一种能够较为有效分析金融二级市场数据的方法。

Speech Emotion Recognition 用 LSTM、CNN、SVM、MLP 进行语音情感识别，Keras 实现。 改进了特征提取方式，识别准确率提高到了 80% 左右。原来的版本的存档在 。 | 中文文档   Environments Python 3.6.7 Keras 2.2.4   Structure ├── models/ // 模型实现 │   ├── common.py // 所有模型的基类 │   ├── dnn // 神经网络模型 │   │ ├── dnn.py // 所有神经网络模型的基类 │   │ ├── cnn.py // CNN │   │ └── lstm.py // LSTM │   └── ml.py

一维CNN+LSTM结构.py

使用TensorFlow进行自然语言处理 这是发布的进行的代码库。 它包含从头到尾完成本书所必需的所有支持项目文件。 关于这本书 自然语言处理（NLP）提供了可用于深度学习应用程序的大多数数据，而TensorFlow是当前可用的最重要的深度学习框架。 使用TensorFlow进行自然语言处理将TensorFlow和NLP结合在一起，为您提供了宝贵的工具来处理当今数据流中大量的非结构化数据，并将这些工具应用于特定的NLP任务。 因此，Thanhan Ganegedara首先让您了解NLP和TensorFlow基础知识。 然后，您将学习如何使用Word2vec（包括高级扩展）创建单词嵌入，将单词

CNN_LSTM_CTC_Tensorflow 基于CNN + LSTM + CTC的OCR（光学字符识别）使用张量流实现。 注意：图像中的字符数（可变长度）没有限制。 看一下下面的图像。 我使用此代码训练了一个具有100k图像的模型，并在对测试数据集（200k图像）获得了99.75％的准确性。 两个数据集中的图像： 更新2017.11.6 ： 竞争页面现在不可用，如果要重现此结果，请参见有关数据集的，解压缩.tar.gz文件后，标签文件（.txt文件）与图像位于同一文件夹中。 更新2018.4.24 ： 更新到tensorflow 1.7并修复问题报告的一些错误。 结构体 图像

cnn源码matlab去噪-SeizurePrediction:一种CNN+LSTM架构，可根据EEG数据预测癫痫发作