电力变压器作为微电网中传输和变换电能的主要设备，对油中溶解气体的浓度进行有效预测，可为变压器的故障诊断 及状态评估技术提供一定的理论依据。鉴于此，提出一种基于 粒子群优化算法（PSO）与长短期记忆网络（LSTM）的变压 器油中溶解气体浓度预测方法。首先该模型以油中溶解的7 种特征气体浓度序列作为可视输入；然后通过使用粒子群优化 算法对长短期记忆网络中相关超参数进行迭代优化；最后构建 PSO-LSTM 组合模型对油中溶解气体的浓度进行预测。该模 型克服了依据经验选取参数而导致预测精度低的问题。算例分 析结果表明，相较于传统预测算法，所提方法可以更好地追踪 油中溶解气体浓度的变化规律，提高了预测精度，为电力变压 器安全稳定运行提供了有力保障。

EEMD-LSTM-DO-prediction EEMD(集合经验模态分解)、LSTM(长短时记忆网络)、time series prediction(时间序列预测)、DO（dissolved oxygen,溶解氧） 本文提出了一种改进后的 LSTM 模型，即 EEMD-LSTM 模型。该方法在获取原始 溶解氧时间序列后并预处理后，经过 EEMD 分解为若干子序列，并对其分别建立 LSTM 预测模型，叠加个各个模型的预测结果即可获取最终的预测结果。在获取江苏无锡长江 水质实时监测站溶解氧数据后展开实验，选取原始 LSTM 模型、改进后的 BP 模型、原 始 BP 模型作为对比，实验表明，EEMD-LSTM 模型具有最小的预测误差，更好的模拟 溶解氧时间序列的走势，具有最好的预测效果。 This paper presents an improved LSTM model, the EEMD-

长短期记忆LSTM神经形态芯片设计的两步映射方法.pdf

一个经典的LSTM教程，以图形化方式开始，从RNN开始，逐步引入Cell的思想和各种门的思想。 Humans don’t start their thinking from scratch every second. As you read this essay, you understand each word based on your understanding of previous words. You don’t throw everything away and start thinking from scratch again. Your thoughts have persistence. Traditional neural networks can’t do this, and it seems like a major shortcoming. For example, imagine you want to classify what kind of event is happening at every point in a movie. It’s unclear how a traditional neural network could use its reasoning about previous events in the film to inform later ones. Recurrent neural networks address this issue. They are networks with loops in them, allowing information to persist.

使用双向长短期记忆 (biLSTM) 进行需求预测这是一个回归问题。 在这个问题中，我们想根据过去记录中的 3 个因素来预测未来的需求。 您可以更改选择的数量（过去的记录数量）。 此外，您可以更改输入的数量。 例如，您也可以包括过去的需求，或删除一些输入。

matlab股票预测代码#prediction 文件夹包含使用 LSTM 神经网络实现股票市场波动率预测。 Keras 用作 Tensorflow 后端的包装器。 #run cd 预测 python run.python #detection 文件夹包含使用离散信号处理的异常时间序列检测的实现。 使用Matlab脚本语言来实现。 #run #用matlab打开脚本（deect_anomaly.m），点击按钮run #from命令行 matlab -nodesktop -nosplash -r "detect_anomaly" #litigation-classifier-and-visualizations 文件夹包含大量非结构化数据（例如诉讼）处理、#classification 和可视化的代码。

matlab代码影响深度学习项目-时间序列数据预测（Matlab，LSTM） 作家：姜浩林 有组织的博客 韩文的“自述”发布位于以下地址。 项目主题 第一个主题是分析在线产品价格数据以预测当前产品价格。 但是，由于与大量数据相比时间不足且计算能力有限，我们修改了该项目以分析牛仔裤的在线价格数据并预测不久的将来的牛仔裤价格。 我之所以选择许多牛仔裤，是因为我拥有比其他物品更多的数据，而且我整个季节都可以穿。 （由于缺乏历史数据，所以选择了手机和电视作为牛仔裤。） 对于更多项目，我将在以后尝试找到一种方法。 使用数据 在线收集价格信息数据包括8个项目，包括在线收集的价格信息，收集日期，项目名称和销售价格。 数据收集期为2014年1月至2019年10月。 我在分析中使用的数据使用了2015年1月至2019年10月的数据。 数据分析过程 数据净化 探索数据 纯化其他数据进行分析 预测模型的选择 数据预测 预测评估（RMSE） 语义分析 数据细化 与大量数据（约1亿个数据）相比，由于缺乏计算能力（我的笔记本电脑），我决定使用每天的平均每日销售价格。 为了解释代码，我们按日期检索了数据，并仅从八个

基于tensorflow的IMDB文本情感分析完整代码（包含数据和词向量可直接运行），网络结构采用双层LSTM。

写了一个pytorch框架下对LSTM的矩阵实现分块循环矩阵压缩的方法 参考这篇博客:https://blog.csdn.net/kuan__/article/details/116600433

图像字幕 CNN-LSTM神经网络，用于从图像生成字幕。 基于我为计算机视觉决赛所做的小组项目