XiaoMi-AI文件搜索系统
World File Search SystemLSTM
结合CNN和LSTM
摘要 - 股票市场预测是金融内部极具吸引力和流行的领域，这是由于由于数据非线性和复杂的经济原则而产生的大量利润的潜力。从交易数据中提取功能在该领域至关重要，并且已经制定了许多策略。其中，由于其强大的数据处理能力，深度学习在财务应用中取得了令人印象深刻的成果。在我们的研究中，我们提出了一个混合深度学习模型CNN-LSTM，该模型结合了2D卷积神经网络（CNN），用于图像处理与长期短期记忆（LSTM）网络，用于管理图像序列和分类。，我们将21个技术指标的前15个从财务时间序列转换为15x15图像，在21个不同的日期中。然后将每个图像分为卖出，持有或根据交易数据进行分类。我们的模型表明，股票预测的表现优于其他深度学习模型。
微填料预测LSTM和ANN ...
微度是一种无意的，瞬态的意识丧失，与睡眠相关，持续到15秒。脑电图（EEG），记录已广泛用于诊断和研究各种神经系统疾病。这项研究分析了时间序列EEG信号，以使用两个深度学习模型来预测微渗：长期术语记忆（LSTM）和人工神经网络（ANN）。调查结果表明，ANN模型在微填料预测中实现了出色的指标，在关键性能指标中的表现优于LSTM。该模型表现出了出色的性能，如散点图，R2分数，平均绝对误差（MAE），均方误差（MSE）和根平方误差（RMSE）的结果所证明的。与LSTM模型相比，在两个模型之间，ANN模型在两个模型之间达到了最重要的R2，MAE，MSE和RMSE值（0.84、1.10、1.90和1.38）。这项研究的关键贡献在于其开发全面有效的方法，以准确预测来自EEG信号的微度事件。
多层LSTM交通警察手势识别...
摘要： - 根据国际自动驾驶技术标准，如果要在道路上驾驶自动驾驶车辆，它们必须具有承认交通警察手势的功能。目前，交通警察的手势识别方法主要分为三类，即基于生物电信号，基于传感器的识别和基于机器视觉的识别的识别。本文主要关注传统机器视觉技术在处理动态的交通警察手势时很容易忽略关键坐标和时间功能的情况。本论文提出了一个多层LSTM模型，该模型整合了连续的子中限角度和交通警察的注意力模型。基于MediaPipe，在统一关键点之后，接受融合角度信息的模型的精度比未经角度信息融合的训练的模型更高，并且使用33个关键点训练的模型及其MediaPipe的角度信息比501关键点及其角度信息更准确。最后，根据本文提出的模型，对中国交通警察的手势数据集取得了良好的测试结果。
使用 LSTM RNN 预测锂离子电池循环寿命
锂离子电池因其高能量密度、低成本和长寿命而被广泛应用于电子设备中[1]。作为电池管理系统的一项重要功能，剩余使用寿命预测可以提前提供可能的故障时间，以便进行诊断和预测，并有助于电池单元和系统的制造和运行。同时，这也是一项具有挑战性的任务，因为电池的容量衰减是一个受内部物理和操作条件影响的复杂非线性过程。有许多关于电池剩余使用寿命预测的优秀研究工作，其中基于模型的方法和数据驱动方法是两个主要分支。基于模型的方法建立数学模型或半经验模型来捕捉内部过程、操作条件和电池容量衰减之间的关系。基于第一性原理的
空中客车赢得ESA的LSTM温度检查任务
Airbus wins ESA's LSTM temperature-check mission for Copernicus next generation Contract valued at € 380 million Airbus Spain to lead industrial consortium: first Copernicus prime for Spain @AirbusSpace #SpaceMatters @ESA_EO @CopernicusEU @CDTIoficial #CopernicusSentinel Madrid, 13 November 2020 – The European Space Agency (ESA)已选择空客防御和空间作为新的土地表面温度监测（LSTM）任务的主要承包商。LSTM是欧盟的地球观察计划哥白尼的一部分。这是六个新任务之一，扩展了当前哥白尼空间组件的功能。该合同价值3.8亿欧元，其中包括开发和建造两个LSTM卫星。LSTM的主要目的是提供全球高时空的日间和夜间土地表面温度测量值。用于映射，监视和预测地球自然资源的卫星数据分析有助于了解发生了什么，何时何地发生变化。尤其是，随着水短缺的增加和环境变化，该任务将响应欧洲农民的需求，使各个农场的农业生产更加可持续。专家将能够实时计算不同植物在不同地区需要多少不同的植物，以及这些植物需要灌溉的频率。土地表面温度测量和衍生的蒸散剂 - 植物生长时发出的水蒸气 - 是理解和响应气候变化，管理农业水资源并预测干旱的关键参数。热红外观察将支持一系列其他服务，以解决土地降解，土壤成分，火灾和火山活动，沿海和内陆水管理以及城市热岛问题。空中客车公司太空系统负责人Jean-Marc Nasr表示：“测量表面温度将有助于使农业生产在整个星球上更有效，从而使我们所有人受益。在迄今为止，所有哥白尼前哨卫星的空中客车都很高兴，ESA进一步委托我们为世界上最雄心勃勃的地球观察计划授予我们的下一代任务。该合同再次确认空中客车在空间技术的最前沿，以进行地球观察和世界的N°1出口商。” LSTM将从低地球，极性轨道运行，以绘制土地表面温度和蒸散速率，并以空前的现场尺度细节来绘制。它将能够以50 m的分辨率识别单个场的温度并每三天对地球进行图像。这是当前从空间中获取的细节的400倍。它的观察结果将覆盖较宽的温度范围。-20°C至 +30°C，精度很高（0.3°C）。
LSTM 与Informer 融合预测冠层区域温度
摘 要： 针对传统温度预测方法难以充分捕捉多尺度信息，导致模型预测性能不佳等问题，该研究提出了一种基于 Informer 架构和长短时记忆网络（ long short-term memory, LSTM ）与多源数据融合的冠层区域温度预测模型。在编码层 中，采用稀疏注意力机制提取输入因子的多尺度信息及其与长时序数据之间的耦合关系；在解码层中，利用 LSTM 提取 短期时序依赖，以增强时间序列的连贯性，同时引入改进的反向残差前馈网络（ improved residual feedforward network, IRFFN ）以优化模型结构。首先采用孤立森林法对数据进行异常值清理，并进行了归一化处理；然后使用斯皮尔曼相关 系数法对冠层区域温度进行相关性分析，并选择相关程度较高的环境因子作为模型的输入特征；最终通过网格搜索法对 超参数进行优化，并通过迭代训练实现模型的最优配置。通过与其他 4 种主流算法进行对比分析，提出的 Informer- LSTM 在冠层区域温度预测方面表现出更高的精度，其平均绝对误差（ mean absolute error, MAE ）、均方根误差（ root mean square error, RMSE ）和决定系数（ R 2 ）分别达到了 0.166 、 0.224 ℃和 97.8% ，与基础模型 Informer 相比，冠层区 域温度的预测精度提高了 32.36% 。该模型在时间序列预测方面具有较高的精度，为区域气象温度的中短期精准预测提 供了一种新的技术方法。 关键词： 冠层 ； 温度 ； 非线性时间序列 ； 长短期记忆神经网络 ； Informer doi ： 10.11975/j.issn.1002-6819.202409001 中图分类号： TP18 ； S165 文献标志码： A 文章编号： 1002-6819(2025)-07-0001-11
使用LSTM模型分解每日降水数据
没有时间调整，需要对其他位置的每日降水量测量值保持一致，以解释日光节省时间。这些位置进行一年一度的一小时换档，需要每日降水读数和其他气象元素之间的时间对齐，因为半小时的降水数据在标准时间始终记录下来。然后，我们使用该站完整的半小时沉淀数据执行此插值数据的内部连接。这导致了一个时间序列，该时间序列可以追溯到半小时的降水记录开始日期。我们在2020年至2022年的所有数据上测试模型，使用2018和2019作为验证设置，以防止模型过度拟合并在其余数据上进行训练。这会导致大约75％-10％-15％的火车验证测试拆分。训练数据集进行了改组，以允许该模型从每批更具代表性的样本中学习。
lbkt：长期序列数据的基于LSTM BERT的知识跟踪模型
摘要。知识追踪领域（KT）旨在通过分析他们的历史行为数据来了解学生如何随着时间的推移学习和掌握知识。为了实现这一目标，许多研究人员提出了使用智能辅导系统（ITS）的数据来预测学生随后的行动的KT模型。然而，随着其大规模数据集的发展，包含长期数据的大规模数据集开始出现。最近基于深度学习的KT模型在处理包含长期数据的大规模数据集时面临着低效率，低精度和低解释性的障碍。To address these is- sues and promote the sustainable development of ITS, we propose a L STM B ERT-based K nowledge T racing model for long sequence data processing, namely LBKT , which uses a BERT-based architecture with a Rasch model-based embeddings block to deal with different difficulty levels information and an LSTM block to process the sequential char- acteristic in students' actions.LBKT在ACC和AUC指标上实现了大多数基准数据集的最佳性能。
利用 LSTM 和强化学习实现 CIoT 节点中的自适应感知
摘要 — 无线传感器网络 (WSN) 在消费者物联网 (CIoT) 中提供了广泛的应用。WSN 中的传感器节点配备了一系列传感器，这些传感器通常会遇到能源供应有限的问题。因此，本文针对多传感节点提出了一种联合长短期记忆 (LSTM) 和强化学习的边缘智能框架。这种新颖的策略旨在通过在边缘节点使用基于 Q 学习的优化函数解决传感信号之间的互相关与传感器能耗之间的权衡，在测量周期内估计一组最佳的活动传感器。采用基于 LSTM 的预测模型从活动传感器监测的互相关传感信号中预测非活动传感器监测的传感信号。为了评估所提出的框架在 CIoT 节点中的性能，在空气污染监测数据集上模拟了该算法。模拟结果证实了所提出的框架的有效性和效率。与目前最先进的方法相比，所提出的算法在错误性能方面提高了 13%，在感知能耗方面提高了 27%，同时保持了非活动和活动传感器集之间互相关系数的下限。