1.Matlab实现TPA-LSTM Attention-LSTM多变量回归预测； 2.运行环境为Matlab2020b； 3.Train为训练集数据，Test为测试集数据，TPAMain.m为主程序，运行即可；其余m文件为子函数，无需运行,所有文件放在一个文件夹； 4.运行需要要GPU支持运算。 1. 使用Matlab实现了TPA-LSTM/Attention-LSTM多变量回归预测的算法。 2. 该算法在Matlab2020b环境下运行。 3. 程序包含了训练集数据（Train）、测试集数据（Test）以及一个主程序（TPAMain.m），只需运行主程序即可。其他的m文件是子函数，无需单独运行，建议将所有文件放在同一个文件夹中。 4. 运行该程序需要GPU支持进行计算。 涉及的 1. TPA-LSTM/Attention-LSTM：这是一种多变量回归预测的算法。TPA-LSTM（Temporal Pattern Attention-LSTM）和Attention-LSTM分别是基于LSTM（长短期记忆）模型的改进版本，用于处理时间序列数据并关注序列中的重要模式和特征。

基于卷积神经网络-长短期记忆网络结合注意力机制(CNN-LSTM-Attention)多变量时间序列预测，CNN-LSTM-Attention多维时间序列预测，多列变量输入模型。matlab代码，2020版本及以上。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

工业用电功率预测时间序列

SARIMA-LSTM混合模型预测时间序列（Python） SARIMA-LSTM混合模型预测时间序列（Python） SARIMA-LSTM混合模型预测时间序列（Python）

神经网络模型普遍存在过拟合问题，所以采用增加3层丢弃层避免梯度消失的问题，利用adam优化器自动优化学习率。 本文使用ReLu Activation函数激活参数特征，然后连接Batch Normalization层和Dropout层，再用Flatten层对数据进行平滑处理，最后将数据输入两个堆叠的LSTM层输出预测数据。 经过多次调整超参数后，确定丢弃率为0.15。 为该单特征LSTM模型的损失变化图。由图可见，该模型损失函数的下降速度极快，在训练次数达到三百次左右时，损失已经基本维持在0附近，并逐步趋于平稳，说明该模型能够很快地收敛到一个较优的参数状态，避免了过拟合或欠拟合的问题。该模型的整体MAPE最低时达到10.69%，整体的拟合程度较高。

鲸鱼算法(WOA)优化长短期记忆神经网络的数据回归预测，WOA-LSTM回归预测，多输入单输出模型 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

麻雀算法(SSA)优化长短期记忆神经网络的数据多变量时间序列预测，SSA-LSTM多维时间序列预测。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

ARIMA-CNN-LSTM时间序列预测（Python完整源码和数据），AQI预测（Python完整源码和数据） ARIMA-CNN-LSTM时间序列预测（Python完整源码和数据），AQI预测（Python完整源码和数据） ARIMA-CNN-LSTM时间序列预测（Python完整源码和数据），AQI预测（Python完整源码和数据）

包含着最基础EEG名词的解释，数据的处理，数据转换。 因为它为实现这些任务提供了许多有用的方法。首先，我们要把 pandas类型 数据 转换成 mne 类型。这是将df转换成raw的函数。 伪影是需要消除的噪音。频率受限伪影的两个例子是缓慢漂移和电源线噪声。下面我们将说明如何通过过滤来修复这些缺陷。 电源噪声是由电网产生的噪声。它由50Hz(或60Hz，取决于你的地理位置)的尖峰组成。一些峰值也可能出现在谐波频率，即电力线频率的整数倍，例如100Hz, 150Hz，…(或120Hz, 180Hz，…)。 01-ERP+LSTM +P300.ipynb 2022/12/6 14:0802- CNN1D + P300.ipynb 2022/12/6 14:0803 - Asymmetry + DEAP.ipynb 2022/12/6 14:0804 - CCA + SSVEP.ipynb 2022/12/6 14:0805 - ERD + Motor Imagery.ipynb

有微分熵的提取，并转化为4维数据形式【4800，4，9，9】与近几年发表的论文数据处理形式一样。测试集准确率达91.62验证集达93.96