基于DEAP的四分类脑电情绪识别算法。 使用该模型从价-觉醒平面对四个情绪区域进行分类：高价-高觉醒（HVHA）、高价-低觉醒（HVLA）、低价-高觉醒（LVHA）和低价-低觉醒（LVLA）。 并提出了两种模型来解决这一问题：一维卷积神经网络（CNN-1D）结合LSTM，第二个模型为一维卷积神经网络（CNN-1D）结合GRU。 实验结果表明，该方法在1DCNN-GRU模型和1DCNN-LSTM模型中的训练准确率分别为96.3%和97.8%。因此，这两种模型对执行这种情绪分类任务都非常好。 这是专门为解决消失梯度问题而设计的，消失梯度问题通常成为时间序列数据集中的一个问题。

分解后使用多延迟的GRU神经网络进行时间序列预测

用CNN对电能质量扰动进行分类，可以直接使用，数据都在里面，仅供参考

为提高专利文本自动分类的效率和准确度，提出一种基于双通道特征融合的WPOS-GRU（word2vec and part of speech gated recurrent unit）专利文本自动分类方法。首先获取专利摘要文本，并进行清洗和预处理；然后对专利文本进行词向量表示和词性标注，并将专利文本分别映射为word2vec词向量序列和POS词性序列；最后使用两种特征通道训练WPOS-GRU模型，并对模型效果进行实验分析。通过对比传统专利分类方法和单通道专利分类方法，双通道特征融合的WPOS-GRU专利分类方法提高了分类效果。提出的方法节省了大量的人力成本，提高了专利文本分类的准确度，更能满足大量专利文本分类任务自动化高效率的需要。

使用pytorch生成文本：使用pytorch GRU构建文本生成模型

* 前馈神经网络 [FFNN.ipynb] (models / FFNN.ipynb) * 简单移动平均线 [SMA.ipynb]（模型 / SMA.ipynb） * 加权移动平均线 [WMA.ipynb] (models / WMA.ipynb) * 简单指数平滑 [SES.ipynb] (models / SES.ipynb) * Holts Winters [HW.ipynb]（型号 / HW.ipynb） * 自回归综合移动平均线 [ARIMA.ipynb] (models / ARIMA.ipynb) * 循环神经网络 [RNN.ipynb]（模型/RNN.ipynb） * 长短期记忆单元 [LSTM.ipynb] (models / LSTM.ipynb) * 门控循环单元格 [GRU.ipynb] (models / GRU.ipynb) 短期电力负荷预测研究生项目中，数据取自德里国家负荷调度中心网站，在项目过程中实施了多种时间序列算法。

三种网络对比

转化GRU PyTorch 用于PyTorch的卷积GRU。 参考

本文工作实现了两个模型： Spatial Dropout-GRU模型TextCNN模型，并分别测试了其情感分类效果。 开发环境：python3.6.5、tensorflow==1.12、keras==2.2.4 数据集： 1)训练集。包含2W条左右中文电影评论，其中正负向评论各1W条左右。 2)测试集。包含2w条左右中文电影评论，其中正负向评论各1W条左右。

SequencePrediction Pytorch 实现RNN、LSTM、GRU模型