基于 LSTM 循环神经网络的电力系统负荷预测分析。建立 CART 回归树以及 LSTM 模型对该地区未来 10 天间隔 15 分钟负荷以及未来 3 个月负荷最大最小值进行预测。将行业数据分为大工业用电最大值、大工业用电最小 值；非普工业最大值、非普工业最小值；普通工业最大…

扩散卷积循环神经网络：数据驱动的交通预测 这是以下论文中Diffusion Convolutional Recurrent Neural Network的TensorFlow实现： Yaguang Li、Rose Yu、Cyrus Shahabi、Yan Liu，，ICLR 2018。 要求 scipy>=0.19.0 numpy>=1.12.1 熊猫>=0.19.2 皮亚尔 统计模型 张量流>=1.3.0 可以使用以下命令安装依赖项： pip install -r requirements.txt 数据准备 洛杉矶（METR-LA）和湾区（PEMS-BAY）的交通数据文件，即metr-la.h5和pems-bay.h5 ，可以在或，需要放入data/文件夹。 *.h5文件使用HDF5文件格式将数据存储在panads.DataFrame 。 下面是一个例子： 传感器_0 传

MATLAB算法-循环神经网络(RNN)算法详解，附代码

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑 进行分析学习的神经网络，它模仿人脑的机制来解释数据， 神经科学中的发现，该发现也获得了诺贝尔医学奖： 人脑视觉机理后脑皮层的不同视觉神经元，与瞳孔所受刺激之间，存在某种对应关系。 这个发现激发了人们对于神经系统的进一步思考。神经-中枢-大脑的工作过程，或许是一个不断迭代、不断抽象的过程。

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。详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/130082315

资源包含文件：设计报告word+代码 股票价格预测详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/122463596?spm=1001.2014.3001.5502

将循环神经网络中的长短期记忆网络和前馈注意力模型相结合，提出一种文本情感分析方案。在基本长短期记忆网络中加入前馈注意力模型，并在TensorFlow深度学习框架下对方案进行了实现。根据准确率、召回率和F₁测度等衡量指标，与现有的方案对比表明，提出的方案较传统的机器学习方法和单纯的长短期记忆网络方法有明显的优势。

随着网络的飞速发展，微博逐渐成为社交网络中信息传播及信息收集的重要平台，微博转发是微博信息传播的重要途径，研究微博转发问题对微博信息传播、微博营销、舆情监控有着极其重要的意义.影响微博转发的主要因素有：粉丝兴趣与微博文本的相似度，微博营销策略及用户粉丝数量的变化.以往的预测模型没有综合考虑这两方面因素，基于此，提出了一种基于循环神经网络的方法来对微博转发量级进行预测，首先利用SIM-LSTM模型构建微博转发趋势度，然后再利用TF-IDF构建粉丝兴趣和微博文本的相似度，最后通过神经网络模型来预测粉丝是否会转发该微博.实验结果表明本文提出的算法相对于其他预测算法F1评估值提高了近5%.

使用RNN循环神经网络实现对爬取的京东评论信息进行情感分析 其中包括源代码、数据集、停用词等

emd的matlab代码详解使用 Apache MXNet 的循环神经网络 在我们之前的笔记本中，我们使用了一种称为卷积神经网络 (CNN) 的深度学习技术来对 和 进行分类。 尽管 CNN 是一种强大的技术，但它无法从音频和文本等输入序列中学习时间特征。 此外，CNN 旨在学习具有固定长度卷积核的空间特征。 这些类型的神经网络称为前馈神经网络。 另一方面，循环神经网络（RNN）是一种可以学习时间特征的神经网络，比前馈神经网络具有更广泛的应用。 在本笔记本中，我们将开发一个循环神经网络，用于预测给定前一个单词或字符的单词或字符的概率。 几乎我们所有人的智能手机上都有一个预测键盘，它可以为超快速打字提示即将出现的单词。 循环神经网络使我们能够构建类似于 SwiftKey 的最先进的预测系统。 我们将首先介绍前馈神经网络的局限性。 接下来，我们将使用前馈神经网络实现一个基本的 RNN，它可以很好地了解 RNN 的工作原理。 之后，我们将使用 MxNet 的 gluon API 设计一个具有 LSTM 和 GRU 层的强大 RNN。 我们将使用这个 RNN 来生成文本。 我们还将讨论以下主题