lstm

机器学习之心

小龙虾优化算法（COA）驱动的CNN-LSTM多输出回归模型及其SHAP可解释性分析作者：机器学习之心关键词：小龙虾优化算法、CNN-LSTM、SHAP分析、多输出回归、超参数优化、混沌映射适用领域：工业预测、金融时序预测、多变量回归建模、可解释AI

机器学习之心

扩散模型数据增强 + Transformer-LSTM 回归预测：小样本场景下的工业级解决方案摘要：在小样本回归任务中，数据稀缺往往是制约模型性能的核心瓶颈。本文将扩散模型（Diffusion Model）作为数据生成引擎与 Transformer-LSTM 深度回归网络深度融合，构建了一套端到端的小样本增强预测框架。实验结果表明，经扩散模型数据增强后，Transformer-LSTM 回归模型在测试集上取得了 MAE = 1.0122、RMSE = 1.2945、R² = 0.9007 的优异性能，充分验证了该技术路线在工业小样本场景中的实用价值。

时序算法 —— LSTM、ARIMA、随机森林按照时间组成的序列机器学习模型：AR、MA、ARMA、ARIMA 神经网路模型：LSTM可以直接调statsmodels包，使用ARIMA时序模型

装不满的克莱因瓶

循环神经网络及LSTM——从序列建模到长期依赖记忆机制目录一、前言二、RNN是什么（一）基本定义（二）核心思想（三）结构特点三、RNN结构详解（一）时间展开结构

叫我：松哥

基于LSTM与ARIMA的城市空气质量分析与预测系统近年来，中国大气污染治理虽取得一定成效，但京津冀等地区秋冬季节PM2.5浓度仍存在短期骤升现象，突发性重污染过程对公众健康和应急管理构成直接压力。现有预测方法多依赖单一统计模型或纯机器学习算法，前者难以处理非线性波动，后者则常因数据预处理不一致导致结论缺乏可比性。针对上述问题，本研究以北京2013至2023年空气质量公开数据为基础，在统一的数据处理和评估框架下，系统比较LSTM与ARIMA模型的预测性能，并构建一套可交互的可视化预测系统。该工作旨在为城市空气质量预警提供一种可复用的技术方案，同时为后续混合

星川皆无恙

基于BERT+LSTM+CRF与知识图谱的医疗智能问答系统实战：Neo4j图数据库+实体识别+意图分析完整项目文章更新时间：2026-06-08 项目类型：深度学习 / 知识图谱 / 医疗问答系统 / Python Web 项目技术方向：BERT、LSTM、CRF、Neo4j、Django、MySQL、jieba、pyahocorasick 适用场景：课程设计、毕业设计、医疗知识图谱项目、智能问答系统、自然语言处理项目、AI 全栈项目实战

半导体行业中基于 LSTM 神经网络的 SPC 异常预测实战本文是「半导体智能制造实战系列」第4篇，讲解如何用LSTM神经网络替代传统SPC判异规则，实现**提前15分钟预警**的智能异常检测。

装不满的克莱因瓶

掌握 RNN 与 LSTM 模型结构目录一、前言二、为什么传统神经网络无法处理序列数据三、什么是 RNN四、RNN 的展开结构五、RNN 的数学原理

【LLM】第四章：项目实操案例：文本情感分析本案例是基于LSTM架构，搭建一个文本情感分析模型，对评论内容进行二分类判断(正面或负面)。说明：本篇是根据https://www.bilibili.com/video/BV1k44LzPEhU?spm_id_from=333.788.videopod.episodes&vd_source=b6780e06031ac609460f6fbf017bbb39&p=73 案例重构而成，致谢原作者！

机器学习之心

基于LSTM-Attention的轴承剩余寿命预测：从振动信号到RUL的端到端MATLAB实现旋转机械的健康管理是工业运维的核心命题。本文以IEEE PHM 2012轴承全寿命数据集为基础，详细介绍一套完整的LSTM-Attention剩余寿命预测方案，涵盖数据预处理、多域特征工程、网络架构设计与模型评估的全流程MATLAB实现。

基于多时间序列模型和大语言模型的航海轨迹预测分析预警系统( LSTM、GRU、Transformer、CNN-LSTM、DLinear)b站演示视频与部署教程视频(点击这里) https://www.bilibili.com/video/BV1gvGy63EjP/?share_source=copy_web&vd_source=31c839f46a9a845dd6dd641cbd5c2ac1

机器学习之心

顶刊《KBS》算法应用,PIMO-Transformer-LSTM-ABKDE：投影迭代优化算法概率区间预测，报告+代码SCI一区顶刊《Knowledge-Based Systems》算法应用 | Matlab实现优化问题在科学研究与工程应用中扮演着核心角色。从工业生产的资源配置到人工智能的模型参数调优，优化算法贯穿于现代技术的方方面面。然而，随着数据规模的指数级增长，优化问题呈现出高维度、非凸性、动态性等复杂特征，传统数学方法难以有效应对。

温柔只给梦中人

NLP学习：LSTM模型，GRU模型部分内容选自Day03-09.LSTM模型_原理图解(上)_理解_哔哩哔哩_bilibiliLSTM根据RNN进行修改，RNN对于长记忆效果不好，且容易出现梯度消失和梯度爆炸问题。

AI 术语通俗词典：LSTMLSTM 是深度学习、循环神经网络、自然语言处理、时间序列预测和人工智能模型训练中非常经典的一个术语，全称是 Long Short-Term Memory，通常翻译为“长短期记忆网络”。它用来描述一种能够在序列数据中保留较长时间依赖关系的神经网络结构。换句话说，LSTM 是在回答：模型怎样在处理一串连续数据时，既记住前面重要信息，又忘掉不重要信息。

RNN、LSTM、GRU技术博客面向初学者的循环神经网络详解，从参数维度到代码实战，一篇文章彻底搞懂！在深度学习领域，处理序列数据（如文本、语音、时间序列）是一个非常重要的任务。传统的前馈神经网络无法很好地处理序列中的依赖关系，而 ** 循环神经网络（Recurrent Neural Network, RNN）** 及其变体 LSTM、GRU 应运而生，成为处理序列数据的利器。

Excel实现LSTM示例检查点：现在你的 Excel 前 19 行应该和初始数据完全一致。结果：D22:H22 应该显示 0.1 0.2 0.3 0.5 0.8

ZHW_AI课题组

基于LSTM的天气预测作者介绍陈相樵，男，西安工程大学电子信息学院，2025级研究生，张宏伟人工智能课题组研究方向：无人机路径规划

深度学习之LSTM与GRU门控循环单元详解循环神经网络（RNN）在处理序列数据方面具有天然优势，但在实际应用中，标准RNN面临着梯度消失和梯度爆炸两大难题，难以有效捕捉序列中的长期依赖关系。为解决这一问题，Hochreiter和Schmidhuber于1997年提出了长短期记忆网络（Long Short-Term Memory, LSTM），通过引入门控机制选择性地记住和遗忘信息。Cho等人于2014年进一步提出了门控循环单元（Gated Recurrent Unit, GRU），在保持LSTM表达能力的同时大幅简化了模型结构。本文将详细剖析LS

项目申报小狂人

一种使用双向长短时记忆网络结合鲸鱼优化算法的类火星矿物元素精确定量分析模型激光诱导击穿光谱（LIBS）是一种源自原子发射光谱的分析方法，能够从样品中快速获取化学成分信息。由于LIBS信号容易受到自吸收现象、样品基质和各种其他因素的干扰，如果没有适当的数据挖掘技术，定量和定性分析的准确性可能会受到损害。在这项工作中，LIBS与多元分析算法相结合，定量分析矿物的主要元素含量。使用ChemCam和SuperCam团队提供的地质参考样品数据集，引入了一种创新的建模方法，该方法结合了通过鲸鱼优化算法（WOA）改进的双向长短期记忆网络（LSTM）网络。数据集的结果表明，WOA-Bi-LST