基于机器学习LSTM网络的SO_(2)排放浓度预测.pdf

text2vec text2vec，中文文本给vetor。（文本向量化表示工具，包括词向量化，句子向量化） 特征 文本向量表示 字词粒度，通过腾讯AI Lab开放式的大规模扩展中文 （文件名：light_Tencent_AILab_ChineseEmbedding.bin密码：tawe），获取字词的word2vec矢量表示。 句子粒度，通过求句子中所有单词词嵌入的预先计算得到。 篇章粒度，可以通过gensim库的doc2vec得到，应用替代，本项目不实现。 文本相似度计算 基准方法，估计两个句子间语义相似度最简单的方法就是求句子中所有单词词嵌入的前缀，然后计算两个句子词嵌入之间的余弦相似性。

本实验，是用BERT进行中文情感分类，记录了详细操作及完整程序

时间序列预测 预测项目，SARIMA / X，ARIMA，先知，LSTM，霍尔特冬季，ETS。 温度预测和工资预测。

使用lstm的python简单实例——mnist，使用的版本为python3.7 可以自动下载mnist数据集，如果网络不通，可以自己手动下载，或者在评论里言，我看到后会发给您mnist的数据集

神经网络LSTM 时间预测源代码，如有需要，请大家下载！！！5积分就好~

针对长短时记忆网络(LSTM)不能有效地提取动作前后之间相互关联的信息导致行为识别率偏低的问题,提出了一种基于Bi-LSTM-Attention模型的人体行为识别算法。该算法首先从每个视频中提取20帧图像,通过Inceptionv3模型提取图像中的深层特征,然后构建向前和向后的Bi-LSTM神经网络学习特征向量中的时序信息,接着利用注意力机制自适应地感知对识别结果有较大影响的网络权重,使模型能够根据行为的前后关系实现更精确的识别,最后通过一层全连接层连接Softmax分类器并对视频进行分类。通过Action Youtobe和KTH人体行为数据集与现有的方法进行比较,实验结果表明,本文算法有效地提高了行为识别率。

使用BERT的细粒度情感分类 此存储库包含用于获取的结果的代码。 用法 可以使用run.py运行各种配置的实验。 首先，安装python软件包（最好在一个干净的virtualenv中）： pip install -r requirements.txt Usage: run.py [OPTIONS] Train BERT sentiment classifier. Options: -c, --bert-config TEXT Pretrained BERT configuration -b, --binary Use binary labels, ignore neutrals -r, --root Use only root nodes of SST -s, --save

在tensorflow上用LSTM进行sin函数拟合，LSTM（Long Short-Term Memory）是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM 已经在科技领域有了多种应用。用这个简单的程序进行入门是很好的

基于LSTM的异常检测 假设，应该可以对LSTM进行自动编码，以构建异常检测器。 这证明了这是可能的。 例子 结果表明，如果使用纯无监督的LSTM自动编码器进行训练，则可以检测到具有增加的放大噪声的简单正弦波。 呈现给网络的整个信号[滑动窗口]： 信号近似值（均值）： LSTM检测器的MSE输出： 添加（并捕获）的噪声样本数：