# 在 Simulink上使用任意时间序列模型进行递归预测 包括ARIMAX、LSTM、GRU和SSM模型。 让我们在 Simulink 上运行时间序列预测！！​ ＃＃ 介绍 本页具体介绍如何针对以下需求实现时间序列模型。 - 在开发中的 Simulink 模型上构建深度学习功能​ - 在 Simulink 上尝试各种时间序列模型​ - 在 Simulink 模型上实现 MATLAB 产品系列支持的功能​ 每个文件夹都有 MATLAB 代码和 Simulink 模型，它们的名称分别对应于时间序列模型或神经网络层。 ## 关键要点 它们提供了递归预测时间序列的功能，每个示例都描述了如何在 Simulink 上实现它们的功能并通过 MATLAB Function 模块调用它们。该技术不仅适用于上述产品，还可以采用其他产品提供的附加功能进行时间​​序列分析，特别是回归， ＃＃ 要求 * MATLAB * 模拟链接 * 深度学习工具箱 * 计量经济学工

RNN_ChattingRobot_Week(NLP) 基于循环神经网络（RNN）的智能聊天机器人系统 本设计研究智能聊天机器人技术，基于循环神经网络构建了一套智能聊天机器人系统，系统将由以下几个部分构成：制作问答聊天数据集、RNN神经网络搭建、seq2seq模型训练、智能聊天。经过实验，确定该系统可对本人的聊天话语进行快速并准确的回应，且回复可以模仿朋友的语气风格。 关键词: RNN神经网络； seq2seq模型； 聊天机器人；TensorFlow； 详情见博客： 详情见微信公众号：AI大道理

​ 介绍从RNN到Attention到Transformer系列中Decode-Encode(Seq2Seq) https://blog.csdn.net/qq_39707285/article/details/124726403

从RNN到Attention到Transformer系列-Attention介绍及代码实现 https://blog.csdn.net/qq_39707285/article/details/124732447

从RNN到Attention到Transformer系列-Transformer介绍及代码实现 https://blog.csdn.net/qq_39707285/article/details/124856454

压缩包内为TXT文件，为从中文歌词库（http://www.cnlyric.com/geshou/193.html）网站上爬取的凤凰传奇的125首歌曲歌词，共5140行，已经经过清洗，可以直接作为训练歌词使用。

股票买卖最佳时机leetcode 这是一个有监督的循环神经网络 (RNN) 学习项目，将股票交易视为分类问题。 输入 60 天的定价数据窗口，选择最佳操作以获得最大利润。 这使用了我早期的交易环境项目，以及用于数据准备和模型训练的 SeriesPrediction 模块。 首先，我使用CalculateBestActions 来生成目标操作值。 对于每一天，假定知道股票前一天的价格，以及每天一笔交易、连续四个交易日和八次可能的交易行为的限制，它计算将在 20 天内产生最高价值的交易序列。 可能的交易有：激进买入、目标买入、市场买入、持有、市场卖出、目标卖出、激进卖出和 CancelAllOrders。 目标买入和卖出由移动平ASP格加上或减去 5 天平ASP格偏差的 1/4 决定。 激进的买入和卖出由 5 天平ASP格偏差的 1/2 决定。 CalculateBestActions 的计算成本很高，因此尽管您可以计算更长的序列，但它们所需的时间会呈指数级增长。 4 个交易序列可能需要一天来计算 30 年的数据集，因此您将在大约 6 处碰壁。这些序列被保存以供重复使用，因此您只需为您测试

Countless learning tasks require dealing with sequential data. Image captioning, speech synthesis, and music generation all require that a model produce outputs that are sequences. In other domains, such as time series prediction, video analysis, and musical information retrieval, a model must learn from inputs that are sequences. Interactive tasks, such as translat- ing natural language, engaging in dialogue, and controlling a robot, often demand both capabilities. Recurrent neural networks (RNNs) are connec- tionist models that capture the dynamics of sequences via cycles in the network of nodes.

在智能手机上使用递归神经网络（RNN），LSTM和Tensorflow进行人类活动识别 这是我硕士课程的项目，其中涉及使用无线传感器数据挖掘实验室（WISDM）的数据集为端到端系统构建机器学习模型，以使用智能手机加速度计，Tensorflow框架，递归神经网络预测人类的基本活动网络和多个长期短期存储单元（LSTM）堆栈，用于构建具有隐藏单元的深度网络。 训练模型后，将其保存并导出到android应用程序，并使用模型作为概念验证和UI界面进行预测，以使用文本语音API讲出结果。 处理： 清理并合并数据 根据模型要求，通过将每个序列活动的固定长度序列（200个）作为训练数据来进行数据预处理，以最大程度地提高模型的效率。 将数据分为训练（80％）和测试（20％）集。 通过堆叠带有2个完全连接的RNN的多层LSTM内存单元（这将解决消失的梯度问题）来构建一个深层网络。 使用Tensorflow框架构建整个模型，并创建占位符以供模型在端到端系统中访问。 创建最小化损失的损失函数，我们使用最小二乘误差（LSE）或L2范数，因为它将通过一个解决方案提供稳定的解决方案。 在整个训练期间，

学习使用RNN自动完成语言模型