使用手势识别的CNNLSTM 使用GRIT数据集，构建了将2D CNN与LSTM相结合的模型，以从webCam视频提要中执行实时手势识别。 也使用LSTM建立了使用3D CNN的另一个模型。 目标 构建能够实时检测视频中手势的计算机视觉深度学习模型。 模型应能够在低端设备上运行。 （没有GPU） 模型应该可以快速训练（30分钟内进行训练） 在每个手势动作中使用有限的样本来提取可用的准确性。 预先处理 由于我们的动机是运动识别，因此我们首先必须检测帧序列之间的运动。 我使用时差法。 时间差异涉及两个或三个连续帧之间的差异，然后凝结连续帧之间的差异以提取运动对象的运动。 它非常容易且快速地进行计算，并且在动态环境中具有更好的性能。 使用等式计算差分图像： Δ = (

异常检测-KDD99-CNNLSTM 这是一个使用三个模型开发的项目，用于对KDD99数据集上的倾斜数据包进行分类。 使用了三层：KNN，CNN + LSTM和随机森林分类器。 该项目是一个基于研究的项目，与单独使用任何给定模型相比，该模型在性能上均略有提高。 KDD'99数据集按原样使用，并且已作为项目源的一部分进行了预处理。 最终精度为0.97833。 单个模型的个体精度为： KNN：0.976835 CNN + LSTM：0.9667878 随机森林：0.96381378 主要思想是在相同的数据上训练3个不同的分类器模型。 然后，我们将所有这些模型用作单个整体学习模型（或中间的某个位置的投票分类器）。 系统中有2个主要层： 第一层具有KNN和CNN + LSTM。 他们一起工作，并提供2种不同的输出。 第二层具有随机森林分类器，以对来自上一层的所有冲突实例进行分类。