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

CNN_LSTM加注意力机制对股票预测，文件有数据

《基于深度学习的财经新闻量化与股市预测研究》论文源代码说明 目录说明 CNN (CNN文本处理及模型) Database (mysql连接类及数据库结构文件) Ensemble (集成学习文本处理及模型) FetchBindex (百度指数爬虫) LSTM (LSTM文本处理及模型) run_data (生成文件存放目录) Spider (财经新闻、股票数据爬虫及自定义工具类) /main.py (入口文件，含交叉验证及所有样例) /ensemble_temp.bat (批处理文件，作用详见下面"缺陷") 数据爬取 财经新闻数据：Spider/NewsSpider.py 股票历史数据：Spider/StockSpider.py 百度指数数据：FetchBindex 训练集处理 数据处理：CNN/DataHelper.py、CNN/News.py(新闻词典生成) CNN训练数据集：CNN/O

matlab精度检验代码lstm-qrs-检测器 基于CNN-LSTM的QRS检测器，用于ECG信号 该项目为ECG信号实现了基于深度学习的QRS检测器。 具体而言，使用了混合CNN-LSTM模型。 在测试集上，该模型的f1为0.79，准确度为0.95。 要正确理解这一点，请使用以下模型： #first CNN model = Sequential() model.add(Conv2D(filters=32, kernel_size=5,\npadding='same', input_shape=X_train.shape[1:])) model.add(Activation('relu')) model.add(BatchNormalization()) model.add(MaxPooling2D(pool_size=(1, 4))) model.add(Dropout(0.25)) #second CNN model.add(Conv2D(filters=32, kernel_size=5,\npadding='same')) model.add(Activation('relu')

行人温度检测LSTM 使用KAIST多光谱行人检测基准数据集的LSTM实现

新的模型，CNN-LSTM

时序数据存在时序性，并且其短序列的特征存在重要程度差异性。针对时序数据特征，提出一种基于注意力机制的卷积神经网络（CNN）联合长短期记忆网络（LSTM）的神经网络预测模型，融合粗细粒度特征实现准确的时间序列预测。该模型由两部分构成：基于注意力机制的CNN，在标准CNN网络上增加注意力分支，以抽取重要细粒度特征；后端为LSTM，由细粒度特征抽取潜藏时序规律的粗粒度特征。在真实的热电联产供热数据上的实验表明，该模型比差分整合移动平均自回归、支持向量回归、CNN以及LSTM模型的预测效果更好，对比目前企业将预定量作为预测量的方法，预测缩放误差平均值（MASE）与均方根误差（RMSE）指标分别提升了89.64%和61.73%。