在Anaconda Jupyter Noteboo下实现的基于长短期记忆网络（LSTM）的手写体数字识别（ipynb文件格式）

电力负荷预测 正在短期电力负荷预测的研究生项目中。 数据取自网站的并且在项目过程中实施了多个时间序列算法。 实施的模型： models文件夹包含在项目过程中实现的所有算法/模型： 前馈神经网络 简单移动平均线 加权移动平均 简单指数平滑 霍尔茨·温特斯 自回归综合移动平均 递归神经网络 长短期记忆单元 门控循环单位细胞 脚本： aws_arima.py ARIMA模型适合上一个月的数据，并预测每天的负载。 aws_rnn.py RNN，LSTM，GRU符合最近2个月的数据，并预测每天的负载。 aws_smoothing.py SES，SMA，WMA适合上一个月的数据，并预测每天的负载。 aws.py调度程序，每天00:30 IST运行上述三个脚本。 pdq_search.py用于根据最近一个月的数据对ARIMA模型的超参数进行网格搜索。 load_scra

使用LSTM深度学习方法

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

LSTM工具箱 最快的Matlab RNN库之一。 性能 模型：一个LSTM模型具有[1024,1024,1024]隐藏尺寸和10个时间步长，并具有256个暗淡输入。 设备：i7-4710hq，GTX940m LSTMtoolbox：60sec / epoch Keras（1.2.2，Tensorflow backend，cudnn5.1）：29sec / epoch 产品特点 高并行执行。 将4个门的权重与W对应，并将批次中每个时间步的x和h值与3D张量xh对应。一次计算每个样本中每个样本的每个时间步的x * W。 一次计算输入，忘记，输出门的激活值。 OOP风格 使用struct类型

亲测好用，挺不错的资源，大家快来下载吧！挺有用的！需要的话可以来下载哦！tensorflow下用LSTM网络进行时间序列预测，实时多变量预测以及对于未来数据的单变量预测。

注重多元时间序列的LSTM自动编码器 该存储库包含用于多变量时间序列预测的自动编码器。 它具有描述的两种注意力机制，并且受启发。 下载和依赖项 要克隆存储库，请运行： git clone https://github.com/JulesBelveze/time-series-autoencoder.git 要安装所有必需的依赖项，请运行： pip install -r requirements.txt 用法 python main.py [-h] [--batch-size BATCH_SIZE] [--output-size OUTPUT_SIZE] [--label-col LABEL_COL] [--input-att INPUT_ATT] [--temporal-att TEMPORAL_ATT] [--seq-le

LSTM小白入门,lstm实战,matlab源码.zip

使用手势识别的CNNLSTM 使用GRIT数据集，构建了将2D CNN与LSTM相结合的模型，以从webCam视频提要中执行实时手势识别。 也使用LSTM建立了使用3D CNN的另一个模型。 目标 构建能够实时检测视频中手势的计算机视觉深度学习模型。 模型应能够在低端设备上运行。 （没有GPU） 模型应该可以快速训练（30分钟内进行训练） 在每个手势动作中使用有限的样本来提取可用的准确性。 预先处理 由于我们的动机是运动识别，因此我们首先必须检测帧序列之间的运动。 我使用时差法。 时间差异涉及两个或三个连续帧之间的差异，然后凝结连续帧之间的差异以提取运动对象的运动。 它非常容易且快速地进行计算，并且在动态环境中具有更好的性能。 使用等式计算差分图像： Δ = (

BI-LSTM-CRF模型的PyTorch实现。 特征： 与相比，执行了以下改进： 全面支持小批量计算 完全矢量化的实现。 特别是，删除了“得分句”算法中的所有循环，从而极大地提高了训练效果 支持CUDA 用于非常简单的API START / STOP标签会自动添加到CRF中 包含一个内部线性层，该线性层可从要素空间转换为标签空间 专门用于NLP序列标记任务 轻松训练自己的序列标记模型 麻省理工学院执照 安装 依存关系 的Python 3 安装$ pip install bi-lstm-crf 训练 语料库 以指定的准备语料库 也有一个示例语料库 训练 $ python -m bi_lstm_crf corpus_dir --model_dir " model_xxx " 更多 训练曲线 import pandas as pd import matplotlib . pyplot