使用pytorch框架自定义了一个LSTM结构，压缩文件包含两个文件，一个是modules.py是编写的自定义LSTM结构，IMDB.py文件是使用modules.py里自定义的LSTM结构搭建的网络模型。pytorch自定义多层双向LSTM结构的程序详解可以参考这篇博客：https://blog.csdn.net/kuan__/article/details/114652053
2021-03-11 19:02:34
3KB
1
对于航空发动机寿命预测问题，它的难点在于特征数数多，而且特征也是传感器所收集到的数据，传感器一般带有噪声，会造成拟合过程中的不准确性，设计一个多变量输入，单变量输出的预测模型，而RNN（循环神经网络）是一类以序列数据为输入，在序列演进方向进行递归且所有节点循环单元都按照链式连接的递归神经网络，它非常适合用作发动机寿命的预测模型，一方面，发动机数据具有时间信息，另一方面，单纯的RNN在处理数据时存在梯度消失问题。所以我们在RNN中引入LSTM（长短期记忆单元），这样可以很好解决上述两个问题
2021-03-10 19:07:58
22.9MB
1
详细的LSTM代码， 附带数据。
RNN全称循环神经网络（Recurrent Neural Networks），是用来处理序列数据的。在传统的神经网络模型中，从输入层到隐含层再到输出层，层与层之间是全连接的，每层之间的节点是无连接的。但是这种普通的神经网络对于很多关于时间序列的问题却无能无力。
2021-03-09 10:09:05
13KB
1
Tensorflow 2 DA-RNN
的Tensorflow 2（Keras）实现，
论文： :
安装
pip install da-rnn
用法
from da_rnn import (
DARNN
)
model = DARNN ( 10 , 64 , 64 )
y_hat = model ( inputs )
Python Docstring符号
在此项目的方法的文档字符串中，我们具有以下表示法约定：
variable_{subscript}__{superscript}
例如：
y_T__i表示 ，在时间T第i个预测值。
alpha_t__k表示 ，注意权重在时间t测量第k个输入特征（驾驶序列）的重要性。
DARNN（T，m，p，y_dim = 1）
以下（超级）参数的命名与本文一致，但本文未提及的y_dim除外。
T int窗口的长度（时间步长）
m in
2021-03-07 21:03:26
50KB
1
论文讲解：https://blog.csdn.net/qq_33302004/article/details/114441024
2021-03-06 16:09:03
2.13MB
1
论文讲解：https://blog.csdn.net/qq_33302004/article/details/114437385
2021-03-06 16:09:01
341KB
1