深度日志 这是用于研究目的的核心DeepLo​​g的实现。 功能工程的基本思想是分析原始日志并最终基于一系列处理报告潜在的恶意日志。 型号的在线更新部分，请检查 正在做： dvc实验 dvc dags 特征： 将日志转换为结构化的熊猫框架 从原始日志中提取日志密钥 分析日志密钥执行路径 分析日志键中的参数 结合两个模型的结果 分析PCA从窗口大小和时间间隔生成的时间序列数据。 对于数据集，我给出了一些示例，您可以将自己的数据放入该文件夹中。 预备： # in order to match the libraries versions, please run and build the project in virtual environment virtualenv env pip3 install -r requirement.txt 说明（在Deeplog_demo文件夹

使用长期短期记忆（LSTM）进行风能预测 有关完整的详细信息，请阅读CSE 523项目报告.pdf。 介绍 由于风速/功率具有可再生性和环境友好性，因此在地球上受到越来越多的关注。 随着全球风电装机容量的Swift增加，风电行业正在发展为大型企业。 可靠的短期风速预测在风能转换系统中起着至关重要的作用，例如风轮机的动态控制和电力系统调度。 精确的预测需要克服由于天气条件波动而导致的可变能源生产问题。 风产生的功率高度依赖于风速。 尽管它是高度非线性的，但风速在特定时间段内遵循特定模式。 我们利用这种时间序列模式来获得有用的信息，并将其用于功率预测。 LSTM用于对数据执行不同的实验并得出结论。 结论 我们的目标是改善对使用风能发电的功率的预测，并且已经实现了将LSTM用作机器学习模型并对其进行模型优化。 我们还观察到，如果风速小于4 m / s，则系统生成的功率为零。 LSTM无法学习这

人类跌倒检测 我们通过支持多相机和多人跟踪以及长时记忆（LSTM）神经网络来预测两个类别，从而增加了人体姿势估计（openpifpaf库），以预测两个类别：“跌倒”或“不跌倒”。 从这些姿势中，我们提取了LSTM分类器处理的五个时空特征。 设置 pip install -r requirements.txt 用法 python3 fall_detector.py 争论 描述 默认 num_cams 要处理的摄像机/视频数量 1个 视频 视频文件的路径（无从摄像机捕获实时视频的路径） 对于单个视频跌倒检测（-​​-num_cams = 1），将视频另存为abc.xyz并设置--video = abc.xyz 对于2个视频跌落检测（--num_cams = 2），将您的视频另存为abc1.xyz和abc2.xyz并设置--video = abc.xyz 没有任何 save_output

全球结构地震损害预测 使用深度学习技术来检测地震后带有铰链/接头的结构中的损坏。 用于训练数据的网络包括：“一维卷积神经网络”，“ LSTM网络”，“使用频谱图的二维卷积神经网络”。 使用连接到铰链/接头的加速度计记录X和Y轴的数据，并使用SAP2000生成地震情况。 可以在以下位置找到用于训练的数据：（请参考数据集的.zip文件。文件夹中的笔记本未更新） 检查数据后，文件“ Data and Discrepancies.txt”描述了数据中每种情况下发现的差异。 请参阅文件“地震损坏检测2数据预处理.ipynb”以处理数据。 请参阅文件“地震破坏预测2-准备I＆O.ipynb”，以准备要馈入网络的数据并生成两个X＆Y轴的频谱图。 有关训练1D CNN和LSTM的信息，请参阅文件“ Earthquake Network Training 3.ipynb”。 随附的笔记本可能还包