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

手势动作识别 微调预训练的CNN模型（AlexNet，VGG，ResNet），然后微调LSTM。 该网络应用于手势控制无人机。 训练： 下载直升机编组数据集： : usp 将数据集放在/data文件夹下 运行培训代码并指定数据文件夹的路径 python basic_lstm.py ../data 测试： 使用具有指定型号的网络摄像头运行在线测试代码： cd testing python lstm_test.py ../weights/model_best_865.pth.tar 依存关系： pyTorch-0.3.xx Opencv的3.3.1 PIL-5.0.0 Numpy-1.13.1

推文情感分析 更新（2018年9月21日）：我没有积极维护该存储库。 这项工作是针对课程项目完成的，由于我不拥有版权，因此无法发布数据集。 但是，可以轻松修改此存储库中的所有内容以与其他数据集一起使用。 我建议阅读该的，该可在docs/找到。 数据集信息 我们使用和比较各种不同的方法来对推文（二进制分类问题）进行情感分析。 训练数据集应该是tweet_id,sentiment,tweet类型的csv文件tweet_id,sentiment,tweet其中tweet_id是标识该tweet的唯一整数， sentiment是1 （正）或0 （负）， tweet是括在""的tweet 。 类似地，测试数据集是tweet_id,tweet类型的csv文件。 请注意，不需要csv标头，应将其从训练和测试数据集中删除。 要求 该项目有一些一般的图书馆要求，而某些则是针对个别方法的。 一般要求如下。 numpy scikit-learn scipy nltk 某些方法特有的库要求是： 带TensorFlow后端的keras ，用于Logistic回归，MLP，RNN（LSTM）和CNN

CNN LSTM 带有Resnet后端的CNN LSTM用于视频分类的实现 入门 先决条件 PyTorch（需要0.4以上版本） FFmpeg，FFprobe 的Python 3 尝试自己的数据集 mkdir data mkdir data/video_data 将您的视频数据集放入data / video_data中。格式应为- + data + video_data - bowling - walking + running - running0.avi - running.avi - runnning1.avi 从视频数据集中生成图像 ./utils/generate

cnn源码matlab去建立癫痫发作预测 该项目使用 CNN + LSTM 架构从 EEG 数据预测癫痫发作。 它将数据分类为 preictal(label = 1) 或 interictal (label = 0)。 可在此处找到用于该项目的数据： 。 该项目有两部分： 预处理： 预处理脚本使用小波变换对 EEG 信号进行去噪，降低采样频率并将 10 分钟片段分成 15 个时间序列。 项目的这部分是用 MATLAB 编写的。 该脚本位于 source/Preprocessing/Preprocess_data.m 下。 CNN + LSTM： 预处理完成后，将使用此数据训练 CNN + LSTM 模型。 架构如下图所示： source/DataGenerator.py 脚本是一个自定义类，用于将数据批量加载到内存中，而不是一次加载整个数据集。 有关该类的更多信息，请参阅脚本中的注释。 注意：要安装使用的 python 库： 下载此存储库。 使用以下命令安装依赖项：pip3 install -r requirements.txt（假设已经安装了 python3 和 pip） sourc