LSTM预测分类模板代码

BP神经网络分类信号 本代码亲测有效 含有测试数据 对正在进行相关研究的人员来说有一定的参考价值。（附赠BP神经网络的非线性系统建模-非线性函数拟合）

1、内容概要：本资源主要使用深度学习相关方法构造漏洞分类模型进行实验调研。适用于初学者学习软件漏洞分类使用。本次实验使用的是从2002年到2019年5月份的NVD漏洞数据。详见资源nvdcve文件夹。 2、源代码文件说明 （1）xml_to_excel.py：漏洞数据预处理脚本，将xml格式NVD原始数据转换为excel格式的标准漏洞文件。 （2）vul_plot.py：统计和可视化漏洞数据脚本。nvd_dataset.py：获取前n个漏洞类型的数据脚本。features_keywords.py：特征提取脚本，训练集和测试集文本向量化。 （3）lstm_model.py：构建双向GRU分类模型Bi-GRU；C-LSTM串联模型；构建word2vec模型；数据预处理 ；指标评价可视化。 （4）cgru_model.py：TextCGRU串联，构建word2vec模型；数据预处理；指标评价可视化等。 3、figures文件夹包含模型图绘制，评价指标可视化。 4、nvdcve文件夹包含原始数据，预处理数据，词向量模型w2v_model.pkl和分类模型较大自己训练即可）。

1、内容概要：本资源主要基于Python实现kdd99入侵检测数据集预处理，搭建DNN和CNN神经网络实现kdd99入侵检测分类，适用于初学者学习入侵检测分类使用。 2、入侵检测数据集： 该数据集是从一个模拟的美国空军局域网上采集来的9个星期的网络连接数据,分成具有标识的训练数据和未加标识的测试数据。KDD99数据集总共由500万条记录构成，它还提供一个10%的训练子集kddcup.data_10_percent_corrected和测试子集corrected。 3、源代码Handle_data.py是kdd99数据集预处理源代码，kddcup.data_10_percent_corrected.xls是预处理后的数据集。 4、源代码：Kdd_dnn.py是基于DNN神经网络对入侵检测数据集进行分类；kdd_cnn.py是基于CNN神经网络对入侵检测数据集进行分类。

1、内容概要：本资源主要基于XGBoost与LightGBM实现文本分类，适用于初学者学习文本分类使用。 2、数据集为电商真实商品评论数据，主要包括训练集data_train，测试集data_test ，经过预处理的训练集clean_data_train，训练好的word2vec词向量模型w2v_model.pkl和中文停用词表stopwords.txt，可用于模型训练和测试，详细数据集介绍见商品评论情感数据说明文档。 3、源代码：word2vec_analysis.py 是基于Word2Vec进行词向量的生成，采用向量平均求得句向量，然后分别构建RandomForest和GBDT分类模型进行文本分类。 4、源代码：xgboost_model.py是基于xgboost模型对文本进行分类。 5、源代码：lightGBM_model.py是基于lightGBM模型对文本进行分类。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab代码模型及运行结果

支持向量机实现多分类，解决多分类的问题，模式识别等

国民经济行业分类与代码（GB/T 4754-2017）json 数据四级。 机采自 2017最新统计局数据 国民经济行业分类与代码（GB/T 4754-2017），四级 json带上下级数据，需要三级的或者sql数据的请看我的其他分享 行业分类

对GBT 13923-2006 基础地理信息要素分类与代码进行整理，处理成了基础的excel文件格式

重庆土壤分类与代码(DB50∕T 796-2017)， 大家也可以去官网免费下载http://www.cqjnw.org/article.php?id=12038。 引用格式：【重庆市农业技术推广总站, 西南大学, 重庆土壤学会. 重庆市地方标准 DB50/T 796-2017:重庆土壤分类与代码[S]. 重庆:重庆市质量技术监督局发布, 2017:09.】