MATLAB实现PSO-GRU粒子群优化门控循环单元多输入回归预测（完整源码和数据） 数据为多输入回归数据，输入7个特征，输出1个变量。 运行环境MATLAB2020b及以上。

基于GRU神经网络模型预测未来电力系统材料价格源码。

分解后使用多延迟的GRU神经网络进行时间序列预测

系统日志反映了系统运行状态，记录着系统中特定事件的活动信息,快速准确地检测出系统异常日志，对维护系统安全稳定具有重要意义。提出了一种基于GRU神经网络的日志异常检测算法，基于log key技术实现日志解析，利用执行路径的异常检测模型和参数值的异常检测模型实现日志异常检测，具有参数少、训练快的优点，在取得较高检测精度的同时提升了运行速度，适用于大型信息系统的日志分析。

GRU神经网络MATLAB代码神经解码： 包含许多用于解码神经活动的方法的python软件包 该软件包包含经典解码方法和现代机器学习方法的混合。 对于回归，我们目前包括：维纳滤波器，维纳级联，卡尔曼滤波器，朴素贝叶斯，支持向量回归，XGBoost，密集神经网络，递归神经网络，GRU，LSTM。 对于分类，我们目前包括：Logistic回归，支持向量分类，XGBoost，密集神经网络，递归神经网络，GRU，LSTM。 该软件包最初是为回归而设计的，只是添加了分类功能-因此，自述文件，示例和预处理功能仍可满足回归的需要。 我们正在为分类添加更多内容。 我们的手稿和数据集 该程序包随附一个，用于比较这些方法在多个数据集上的性能。 如果您使用我们的代码或数据进行研究，请引用该手稿，我们将不胜感激。 用于纸张的代码位于“ Paper_code”文件夹中。 在本自述文件的底部进一步进行了描述。 可以下载论文中使用的所有3个数据集（运动皮层，体感皮层和海马体）。 它们具有matlab和python格式，可以在下面描述的示例文件中使用。 安装 可以在命令行中通过pip安装此软件包，方法是键入 pip

GRU神经网络MATLAB代码Keras的Tensor-Train层和Tensor-Train递归神经网络（包括GRU和LSTM） 基于Lasagne和Matlab的现有实现，针对Keras的Tensor-Train层和Tensor-Train递归神经网络的实现。 参考： "Tensorizing Neural Networks" Alexander Novikov, Dmitry Podoprikhin, Anton Osokin, Dmitry Vetrov In Advances in Neural Information Processing Systems 28 (NIPS-2015). "Tensor-Train Recurrent Neural Networks for Video Classification" Yinchong Yang, Denis Krompass, Volker Tresp In International Conference on Machine Learning 34 (ICML-2017). 介绍： 张量训练层（TTL）替代了神经网络中完

该资料用RNN，LSTM，GRU神经网络三个算法分别对电力负荷进行预测，数据集是某地一年的电力负荷数据集，采样时间为每15分钟采样一次，每日一共有96个采样点。

可直接运行得到代码

GRU（Gated Recurrent Unit）神经网络是LSTM 的一个变体，GRU 在保持了LSTM 的效果同时又使结构更加简单，是一种非常流行RNN 神经网络，它只有两个门了，分别为更新门t z 和重置门tr 。更新门控制前一时刻的状态信息被带入到当前状态中的程度，值越大前一时刻的状态信息带入越多。重置门控制忽略前一时刻的状态信息的程度，值越小说明忽略得越多。

基于Keras的GRU神经网络实现 Python编写 可以直接运行得到结果