行业分类-作业装置-一种基于SAE-LSTM模型的大气雾霾预测方法.7z

[1]Hochreiter, Sepp; Schmidhuber, Jürgen.Long Short-Term Memory[J].Neural Computation,1997,9(8)

目前特定主题情感分析任务中，传统的基于注意力的深度学习模型缺乏对主题特征和情感信息的有效关注。针对该问题，构建了融合主题特征的深层注意力的LSTM模型（deeper attention LSTM with aspect embedding，AE-DATT-LSTM），通过共享权重的双向LSTM将主题词向量和文本词向量进行训练，得到主题特征和文本特征进行特征融合；经过深层注意力机制的处理，由分类器得到相应主题的情感分类结果。在SemEval-2014 task4和SemEval-2017 task4数据集上的实验结果表明，该方法在特定主题情感分析任务中，较之前基于注意力的情感分析模型在准确率和稳定性上有了进一步的提高。主题特征和深层注意力机制的引入，对于基于特定主题的情感分类任务具有重要的意义，为舆情分析、问答系统和文本推理等领域提供了方法的支持。

Bi-LSTM matlab代码 项目介绍 该项目的目标是：基于PyTorch实现中文孤立手语词识别； 目前使用的基本网络结构是：Bi-LSTM（双向长短期记忆神经网络）； 数据集使用的是：中国科学技术大学提供的500-CSL（500类中文手语单词数据集）； 项目文件树 整个项目工程结构如下（Git默认设置不能跟踪空文件夹，需要手动创建） SignLanguageRecognition ├── config │ ├── Net.cfg │ ├── SLR_dataset.cfg │ ├── SLR_server.cfg │ └── __init__.py ├── data │ └── SLR_dataset │ ├── dictionary.txt │ ├── processed/ │ ├── txt2mat.m │ ├── xf500_body_depth_mat/ │ ├── xf500_body_depth_mat.zip │ ├── xf500_body_depth_txt/ │ ├── xf500_body_depth_txt.zip │ ├── xf500_color_vi

StockPredictionRNN, 基于LSTM递归神经网络的高频交易价格预测 StockPredictionRNN基于LSTM递归神经网络的高频交易价格预测我们尝试利用长期记忆的递归神经网络来预测高频股票价格的价格。 这个程序实现了从 for OpenBook历史上的数据解决方案，允许在任何给定时间重新

模式识别作业，使用 LSTM 进行股票预测实验报告，附源码

利用Keras搭建循环神经网络进行S&P500指数股价预测的完整代码，ipynb文件，请利用jupyter notebook打开，详情可参考文章：https://blog.csdn.net/didi_ya/article/details/119419763

股市预测器 这个项目是我毕业的最后一年项目的一部分。 它是一个 Web 应用程序，可以使用 RNN-LSTM 神经网络预测即将到来的股票市场趋势，并建议是否购买或出售特定公司的股票。 问题陈述 “股市是混乱和不可预测的，供需的任何轻微波动都会影响股价。 因此，未来的股票市场价格具有模糊性和高度波动性，需要准确预测未来的股票价格和波动。” 建议的解决方案 “创建一个界面，可以帮助投资者或财务顾问预测股票价格，从而为他们提供竞争优势。” 控制流 用户输入公司名称。 公司名称被转换成相应的股票代码。 该公司的历史股票报价来自雅虎财经。 对数据集进行技术、基本面和情绪分析。 该数据集使用 LSTM-RNN 进行训练。 预测值在用户的基于 Web 的 UI 中显示为图形。 向用户提供购买或出售的建议以及其他详细信息。 技术和基本面分析 数据采集 给定公司的历史股票报价通过 Yahoo Fin

该资料用RNN，LSTM，GRU神经网络三个算法分别对电力负荷进行预测，数据集是某地一年的电力负荷数据集，采样时间为每15分钟采样一次，每日一共有96个采样点。

自然语言处理 | (15)使用Pytorch实现RNN(LSTM)语言模型-附件资源