EEMD-LSTM-DO-prediction EEMD(集合经验模态分解)、LSTM(长短时记忆网络)、time series prediction(时间序列预测)、DO（dissolved oxygen,溶解氧） 本文提出了一种改进后的 LSTM 模型，即 EEMD-LSTM 模型。该方法在获取原始 溶解氧时间序列后并预处理后，经过 EEMD 分解为若干子序列，并对其分别建立 LSTM 预测模型，叠加个各个模型的预测结果即可获取最终的预测结果。在获取江苏无锡长江 水质实时监测站溶解氧数据后展开实验，选取原始 LSTM 模型、改进后的 BP 模型、原 始 BP 模型作为对比，实验表明，EEMD-LSTM 模型具有最小的预测误差，更好的模拟 溶解氧时间序列的走势，具有最好的预测效果。 This paper presents an improved LSTM model, the EEMD-

考虑到选通循环单元的成功，一个自然的问题是长短时记忆（LSTM）网络的所有门是否都是必需的。以往的研究表明，遗忘门是LSTM中最重要的门之一。在这里，我们展示了带有时间初始化偏差的仅忘记门版本的LSTM，不仅节省了计算量，而且优于标准LSTMONmultipleBenchMarkDatasets，并与一些最好的当代模型相竞争。我们提出的网络JANET在MNIST和pMNIST数据集上的准确率分别为99%和92.5%，优于标准LSTM，后者的准确率分别为98.5%和91%。

近年来, 随着人工智能的发展, 深度学习模型已在ECG数据分析(尤其是房颤的检测)中得到广泛应用. 本文提出了一种基于多头注意力机制的算法来实现房颤的分类, 并通过PhysioNet 2017年挑战赛的公开数据集对其进行训练和验证. 该算法首先采用深度残差网络提取心电信号的局部特征, 随后采用双向长短期记忆网络在此基础上提取全局特征, 最后传入多头注意力机制层对特征进行重点提取, 通过级联的方式将多个模块相连接并发挥各自模块的作用, 整体模型的性能有了很大的提升. 实验结果表明, 本文所提出的heads-8模型可以达到精度0.861, 召回率0.862, F1得分0.861和准确率0.860, 这优于目前针对心电信号的房颤分类的最新方法.

长短期记忆网络详解 ，内含详细的解释。英文资源。对理解LSTM网络的结构有很大的帮助！

针对群体情绪识别准确率的问题，结合卷积神经网络（CNN）与长短期记忆网络（LSTM），提出一种多流CNN-LSTM网络模型学习群体情绪的静态和动态特征。以视频序列的原始图像、视觉显著图形和叠加的光流图像分别作为三个通道的输入，利用CNN网络对空间特征和局部运动特征进行分析，得到的特征图直接输入LSTM网络，进行全局运动特征的学习。最后连接Softmax分类器，对三个通道的Softmax输出进行加权融合，得到分类结果。实验结果表明，模型可有效地识别四种典型的群体情绪，且识别率高于已有算法，准确度（ACC）和宏平均精度（MAP）分别最高可达82.6%、84.1%。

用LSTM长短期记忆网络实现的金融序列单步预测的代码，基于keras框架搭建的模型，可以用于参考学习