lstm

진영_21 小时前
人工智能·深度学习·lstm
深度学习打卡第R4周：LSTM-火灾温度预测目录一、前期准备1.1 导入数据1.2 数据可视化二、构建数据集2.1 数据集预处理2.2 设置X，y
木头左3 天前
人工智能·rnn·lstm
技术指标时空编码构建LSTM兼容的量化交易特征工程体系本方案实现将传统技术分析指标（MACD/RSI）通过时序特征提取与维度变换，转化为适合深度学习模型输入的结构化嵌入向量。该过程包含三个关键阶段：原始指标计算→多尺度窗口采样→时序差分编码，最终输出符合LSTM网络输入要求的三维张量（batch_size × sequence_length × feature_dim）。这种转换使经典量价关系得以保留的同时，为序列建模提供可学习的时空模式表征。典型应用场景包括高频交易信号生成、多品种相关性分析和动态仓位管理，其优势在于突破人工规则局限，自动捕捉非线性市场联动
大连好光景4 天前
人工智能·pytorch·lstm
LSTM模型做分类任务2（PyTorch实现）这里面新认识两个包torch.utils.data.TensorDataset、torch.nn.utils.rnn.PackedSequence。
my烂笔头5 天前
人工智能·机器学习·lstm
长短期记忆网络（LSTM）入门普通 RNN 每次只根据当前输入和前一时刻隐藏状态更新，但这样会导致： 1、信息在时间上被反复乘以梯度矩阵，容易 梯度消失/爆炸； 2、记忆“短期”依赖不错，但“长期”记忆难以保留。 LSTM 的核心思想是 引入“细胞状态” ，让网络有一条可以“长期传递信息”的路径，并通过三个门有选择地更新记忆。
机器学习之心5 天前
matlab·lstm·transformer·多变量时间序列预测
BKA-Transformer-LSTM多变量时间序列预测Matlab实现这是一个基于BKA优化的Transformer-LSTM混合神经网络的时间序列预测模型。主要功能包括：
NCU_wander7 天前
rnn·lstm·transformer
rnn lstm transformer mamba深度序列建模发展史的主干脉络：从最早的 RNN（循环神经网络），到 LSTM（长短期记忆网络），再到 Mamba（Selective State Space Model），每一次迭代都解决了前一代的核心缺陷。
青云交7 天前
java·spark·lstm·可视化·java 大数据·空气质量监测·污染溯源
Java 大视界 -- 基于 Java 的大数据可视化在城市空气质量监测与污染溯源中的应用嘿，亲爱的 Java 和 大数据爱好者们，大家好！我是CSDN（全区域）四榜榜首青云交！在《大数据新视界》和《 Java 大视界》专栏的技术探索之旅中，我们曾以 Java 大数据为笔，在医疗、家居、农业等领域绘就创新蓝图。Java 大数据不断突破技术边界，重塑行业发展格局。如今，当城市空气质量成为全民关注的焦点，这项技术又将如何化身 “数字环保卫士”，通过可视化手段揭开污染的神秘面纱？让我们一同深入探索！
青云交9 天前
java·随机森林·机器学习·lstm·压力测试·联邦学习·金融风险
Java 大视界 --Java 大数据机器学习模型在金融风险压力测试中的应用与验证嘿，亲爱的 Java 和 大数据爱好者们，大家好！我是CSDN（全区域）四榜榜首青云交！在《Java 大视界》系列的漫漫征途中，我们一同见证了 Java 大数据在能源、教育、安防等多个领域的惊艳绽放。
青云交9 天前
flink·lstm·设备状态监测·故障预测·实时流处理·java 大数据·能源行业
Java 大视界 -- 基于 Java 的大数据实时流处理在能源行业设备状态监测与故障预测中的应用嘿，亲爱的 Java 和 大数据爱好者们，大家好！我是CSDN（全区域）四榜榜首青云交！在《大数据新视界》和《 Java 大视界》系列的探索之旅中，我们已一同领略 Java 大数据在多个领域的非凡魅力。从智能教育领域用数据重塑教学模式，到智能安防领域构建坚不可摧的安全防线；从短视频平台突破数据存储难题，到智慧交通优化城市出行体验等等，每一篇文章都像是一座灯塔，照亮了技术应用的新方向。如今，能源行业正站在智能化转型的关键路口。传统的设备管理方式在面对复杂工况和海量数据时，逐渐显得力不从心。而 Java 大数
IT古董11 天前
rnn·神经网络·lstm
【第七章:时间序列模型】2.时间序列统计模型与神经网络模型-(3)神经网络预测时间序列模型： 从RNN,LSTM到nbeats模型时间序列预测是机器学习与深度学习领域中的核心任务之一。与传统的统计模型（如ARIMA）相比，神经网络模型在非线性特征建模、复杂模式捕捉、长期依赖关系处理等方面表现更强大。本节将系统讲解神经网络时间序列预测模型的发展脉络——从最早的 RNN（循环神经网络），到应对梯度问题的 LSTM（长短期记忆网络），再到突破性地实现非循环结构的 N-BEATS（Neural basis expansion analysis for interpretable time series forecasting） 模型。
亚林瓜子12 天前
java·spring boot·macos·ocr·lstm·tess4j
SpringBoot中使用tess4j进行OCR（在macos上面开发）最近需要做OCR的实现，需要在Spring Boot工程中引入tess4j库，进行OCR识别。然后，这里使用macos m1进行开发。出现了找不到动态链接库的问题。主要就是找不到如下动态链接库：
文火冰糖的硅基工坊12 天前
人工智能·rnn·lstm
[人工智能-大模型-125]：模型层 - RNN的隐藏层是什么网络，全连接？还是卷积？RNN如何实现状态记忆?RNN 的隐藏层通常是**全连接（Fully Connected）**的，而不是卷积。在每个时间步（timestep），RNN 单元会接收两个输入：
阿_旭13 天前
人工智能·lstm·驾驶员注意力
复杂环境下驾驶员注意力实时检测: 双目深度补偿 + 双向 LSTM《博主简介》小伙伴们好，我是阿旭。 专注于计算机视觉领域，包括目标检测、图像分类、图像分割和目标跟踪等项目开发，提供模型对比实验、答疑辅导等。
机器学习之心13 天前
分类·lstm·transformer·麻雀搜索算法优化·ssa-transformer
SSA-Transformer-LSTM麻雀搜索算法优化组合模型分类预测结合SHAP分析！优化深度组合模型可解释分析，Matlab代码基于SSA（麻雀搜索算法）优化Transformer-LSTM组合模型的结合SHAP可解释分析分类预测模型的MATLAB实现。以下是详细分析：
噜～噜～噜～14 天前
人工智能·lstm·双层lstm·多层lstm
LSTM（Long Short-Term Memory）个人理解作为学习长短期记忆网络的笔记，方便复习与理解。每个LSTM层都由若干个LSTM细胞（LSTM Cell）组成，其结构如下所示：
zhangfeng113314 天前
人工智能·rnn·lstm
移动流行区间法（MEM）的原理和与LSTM、ARIMA等时间序列方法的区别移动流行区间法（MEM）是一种基于历史流行病学数据，通过统计模型来定量界定疾病流行阈值、识别流行开始和评估流行强度的监测预警方法。下面这个流程图可以帮助你直观地把握MEM的核心步骤与逻辑：
机器学习之心15 天前
回归·cnn·lstm·bo-cnn-lstm·三模型多变量回归预测
Bayes/BO-CNN-LSTM、CNN-LSTM、LSTM三模型多变量回归预测Matlab基于 MATLAB 的深度学习回归预测项目，集成了多种神经网络模型并进行性能比较。以下是对代码的详细分析：
机器学习之心HML17 天前
分类·lstm·transformer
TCN-Transformer-LSTM多特征分类预测Matlab实现基本介绍1.Matlab实现TCN-Transformer-LSTM时间卷积神经网络结合编码器组合长短期记忆神经网络多特征分类预测，运行环境Matlab2023b及以上；
大连好光景17 天前
pytorch·分类·lstm
LSTM模型做二分类（PyTorch实现）我们通常将数据集划分为训练集、验证集和测试集，每个部分都有其特定的作用训练集（Training Set）：模型直接从这个数据集学习特征和模式。
番茄寿司18 天前
论文阅读·深度学习·计算机网络·机器学习·lstm
基于LSTM的多变量时间序列预测创新路径1. 混合建模框架：融合深度学习与统计方法构建LSTM与传统统计模型的混合架构，充分发挥二者优势：LSTM负责捕捉序列中的非线性依赖与长期动态，而统计模型则精准拟合线性趋势与季节成分。该混合策略尤其适用于电力负荷、金融市场等同时包含稳定规律与复杂波动模式的多变量场景，可显著提升预测的完备性与鲁棒性。