针对水质预测问题，以地表水水质监测因子作为研究对象，提出了一种基于长短期记忆（LSTM）神经网络的水质多因子预测模型，同时利用提出的K-Similarity降噪法对模型的输入数据进行降噪，提高模型预测性能.通过与BP神经网络、RNN和传统的LSTM神经网络预测模型进行对比实验，证明了所提出的方法均方误差最小，预测结果更准确.

实体关系抽取旨在识别网络文本中的实体，并提取出文本中实体之间隐含的关系。研究表明，深度神经网络在实体关系抽取任务上具有可行性，并优于传统关系抽取方法。目前的关系抽取方法大都使用卷积神经网络（CNN）和长短期记忆神经网络（LSTM），然而CNN只考虑连续词之间的相关性而忽略了非连续词之间的相关性。另外，LSTM虽然考虑了长距离词的相关性，但提取特征不够充分。针对这些问题，提出了一种CNN和LSTM结合的实体关系抽取方法，采用3种结合方法进行了实验，验证了该方法的有效性，在F1值上有一定的提升。

matlab的egde源代码使用LSTM进行视频汇总 该存储库为使用LSTM（即我们的论文中的vsLSTM和dppLSTM）的视频摘要提供了数据和实现： *，赵伟伦*，费莎和克里斯汀·格劳曼。 在2016年欧洲计算机视觉会议（ECCV）会议上，荷兰阿姆斯特丹。 （*同等贡献）[] [] 如果您发现此存储库中的代码或其他相关资源很有用，请引用以下文章： @inproceedings{zhang2016video, title={Video summarization with long short-term memory}, author={Zhang, Ke and Chao, Wei-Lun and Sha, Fei and Grauman, Kristen}, booktitle={ECCV}, year={2016}, organization={Springer} } 环境 MAC OS X或Linux 具有计算能力的NVIDIA GPU 3.5+ Python 2.7以上 Theano 0.7+ Matlab的 数据 下载并解压缩到./data/ 请注意，我们以2fps对原始

CNN(卷积神经网络)和LSTM(长短期记忆网络)的细节 卷积神经网络是一种特别有效的提取图像特征的手段。一个在大数据集如ImageNet上预训练好的模型能够非常有效的提取图像的特征。 长短期记忆网络能够处理长短不一的序列式数据，比如语言句子。给定一个输入，网络能够给出一个序列输出。

为了实现更加稳健和精准的门诊量预测，构建了一种基于SARIMA-LSTM的门诊量预测模型。该方法首先使用SARIMA模型对门诊量进行单指标建模，提取门诊量指标蕴含的周期、趋势等信息，然后构建了以节日天数、法定上班天数、平均最高气温等多个相关指标为输入的多对一LSTM模型，对SARIMA模型残差进行进一步学习，实现残差与多个变量间的非线性关系抽取。实证结果表明，构建SARIMA-LSTM混合模型相较5种主流预测方法具有更高的一步预测精度，具有较好的实际应用价值。

时序预测 | MATLAB实现Bayes（贝叶斯）优化LSTM(长短期记忆神经网络)时间序列预测（完整源码和数据） 数据为一维时序列数据,运行环境MATLAB2018b及以上。

回归预测 | MATLAB实现Attention-LSTM(注意力机制长短期记忆神经网络)多输入单输出（完整源码和数据） 多输入单输出,运行环境MATLAB2020b及以上。

回归预测 | MATLAB实现LSTM(长短期记忆神经网络)多输入单输出（完整源码和数据） 多输入单输出，运行环境MATLAB2018b及以上。

回归预测 | MATLAB实现BiLSTM(双向长短期记忆神经网络)多输入单输出（完整源码和数据） 多输入单输出，运行环境MATLAB2018b及以上。

MATLAB实现优化LSTM(长短期记忆神经网络)时间序列预测算法