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%。

图像字幕 CNN-LSTM神经网络，用于从图像生成字幕。 基于我为计算机视觉决赛所做的小组项目

基于CNN/LSTM和稀疏下采样的人体行为识别

深度神经网络用于阿尔茨海默病检测 该研究项目是关于在患者中检测阿尔茨海默氏病的。 及早发现阿尔茨海默氏病将有助于早期治疗，这可以防止症状的夸大。 我们的目标是在机器学习的一部分深度学习的帮助下做到这一点。 在这个项目中，我们使用三种类型的体系结构进行深度学习。 LeNet-5 转移学习 视频分类 对于输入，我们有用于Alzheimer，Normal和MCI检测的nii文件。 阿尔茨海默病，MCI和正常人都有不同的文件夹。 每个文件夹都包含一些.nii文件。 每个.nii文件中都有4维数据。 适当的预处理方法被写入预处理文件夹中，以将该4维数据转换为2维和3维数据。 模型的代码分别写在每种体系结构的单独文件夹中。 AWS说明 我们正在使用基于Amazon AMI的深度学习机。 要运行实例，请按照以下步骤操作： 1. go to ec2 instances dashboard 2.

BCI-II-III分类 使用CNN和CNN + LSTM在EEG信号中对运动想象力进行分类 更多信息