XiaoMi-AI文件搜索系统
World File Search SystemLSTM
基于卷积 LSTM 的脑机接口系统的数据增强
a 横滨市立大学认知信息科学实验室，日本横滨市金泽区濑户 22-2 b 日本理化学研究所信息系统和网络安全总部计算工程应用部，日本埼玉县和光市广泽 2-1 c 西班牙加泰罗尼亚维多利亚中央大学工程系数据与信号处理研究组，维多利亚 08500 d 英国剑桥大学精神病学系，剑桥 CB2 3EB e 南开大学人工智能学院，天津 300071 f 俄罗斯莫斯科斯科尔科沃科学技术研究所张量网络与深度学习数据挖掘应用实验室 g 日本东京理化学研究所高级智能项目中心张量学习团队 h 阿里巴巴集团阿里巴巴量子实验室，北京 100102 i 三峡大学经济管理学院，宜昌
使用长短期记忆人工神经网络 (LSTM) 进行经济即时预测
近年来，人工神经网络 (ANN) 已成为各个领域和学科取得众多进步的催化剂。然而，它们对经济的影响却相对微弱。一种类型的 ANN，即长短期记忆网络 (LSTM)，特别适合处理经济时间序列。在这里，该架构的性能和特性与动态因子模型 (DFM) 进行了比较评估，动态因子模型目前是经济即时预测领域的热门选择。在三个独立变量的即时预测中，LSTM 的结果优于 DFM；全球商品出口价值和数量以及全球服务出口。其他优势包括它们能够处理各种时间频率中的大量输入特征。缺点是无法将输入特征的贡献归因于模型输出，这是所有 ANN 的共同点。为了促进该方法的持续应用研究，避免需要任何深度学习库知识，使用 PyTorch 开发了一个配套的 Python 库：https://pypi.org/project/nowcast-lstm/。
在聚合科学中长期记忆（LSTM）网络的应用：评论
摘要：本评论探讨了长期记忆（LSTM）网络的应用，该网络是一种专门的经常性神经网络（RNN），在聚合科学领域。LSTM网络在建模顺序数据和预测时间序列结果方面表现出显着的有效性，这对于理解聚合物中的复杂分子结构和动态过程至关重要。本综述深入研究LSTM模型来预测聚合物性能，监测聚合过程并评估聚合物的降解和机械性能。此外，它解决了与数据可用性和解释性相关的挑战。通过各种案例研究和比较分析，综述证明了LSTM网络在不同聚合物科学应用中的有效性。还讨论了未来的方向，重点是实时应用程序和跨学科协作的需求。本综述的目的是将高级机器学习（ML）技术与聚合物科学联系起来，从而促进创新并提高该领域的预测能力。
使用LSTM，多层GRU和Drop-Gru神经网络预测能源消耗。
摘要：随着智能电网发展的急剧增长以及当前在开发测量基础设施方面的进步，短期功耗预测最近引起了人们的关注。实际上，未来电力负载的预测是避免能源浪费并建立有效的电力管理策略的关键问题。此外，可以将能源消耗信息视为历史时间序列数据，这些数据需要提取所有有意义的知识，然后预测未来的消费。在这项工作中，我们的目标是建模并比较三种不同的机器学习算法，以进行时间序列的预测。所提出的模型是长的短期记忆（LSTM），门控复发单元（GRU）和Drop-gru。我们将使用功耗数据作为我们的时间序列数据集，并相应地进行预测。LSTM神经网络在这项工作中受到青睐，以预测未来的负载消耗并防止消耗峰值。为了对该方法进行全面的评估，我们在某些法国城市中使用了实际数据功耗进行了几项实验。在各个时间范围内的实验结果表明，LSTM模型比GRU和Drop-gru预测方法产生更好的结果。的预测错误较少，其精度是更详细的。因此，这些基于LSTM方法的预测将使我们能够提前做出决策，并在消费超过授权阈值的情况下触发负载脱落。这将对计划电源质量和维护动力设备产生重大影响。
可再生能源和材料供应风险：基于LSTM模型的预测分析
响应气候变化并持续依赖传统的高碳化石燃料，通过发展低碳能源资源来促进向可持续能源系统的过渡，被视为缓解和解决全球气候变化的主要战略。但是，促进低碳能量也面临着材料供应风险。为参考未来能源市场中可再生能源和其他能源的稳定开发，本文考虑了基于长期和短期记忆网络模型的可再生能源预测以及原油，天然气，核能，核能收入和支出的增长率变化。在预测过程中，发现天然气将成为未来可再生能源的强大竞争者。当天然气生长太快时，可再生能源的生长将为负。另一方面，当天然气和原油的每月生长速度小于核能时，可再生能源将显示出生长趋势，并且随着天然气和核能的生长，速度将增加。更重要的是，风能和太阳能将受到金属材料的限制，例如dy，nd，te和in。提高金属的能量密度在中国向低碳能结构的过渡中起关键作用。
使用Twitter情感分析
摘要 - 经济，政治和社会因素使股票价格预测具有挑战性且无法预测。本文着重于为股票价格预测开发人工智能（AI）模型。该模型利用了三个领域的LSTM和XGBoost技术：Apple，Google和Tesla。它旨在检测将情绪分析与历史数据相结合的影响，以了解人们的意见可以改变股票市场。提出的模型使用自然语言处理（NLP）技术计算情感分数，并根据日期将它们与历史数据结合在一起。RMSE，R²和MAE指标用于评估所提出模型的性能。与单独的历史数据相比，情感数据的整合已显示出显着的改善，并获得了更高的准确率。这提高了模型的准确性，并为投资者和金融部门提供了有价值的信息和见解。Xgboost和LSTM证明了它们在股票价格预测中的有效性； XGBoost优于LSTM技术。
ExplainBattery：使用高效 LSTM 模型和可解释性功能增强电池容量估计
摘要 预测和健康管理 (PHM) 通过预测故障和采取预防措施对于确保机器可靠运行至关重要。在这种情况下，准确预测用于广泛应用的锂离子电池的容量至关重要，因为它们会随着时间的推移不可避免地退化。电池管理系统 (BMS) 在电池整个生命周期的健康状况监测和管理中发挥着关键作用。我们提出了一种新型的长短期记忆 (LSTM) 神经网络模型来预测锂离子电池容量。我们的模型旨在比最先进的模型更高效，特别是在可训练参数的数量方面，使其适合部署在 BMS 中常见的低资源设备上。利用 NASA 艾姆斯预测卓越中心提供的锂离子电池老化数据集，我们证明我们的 LSTM 模型可以提供准确可靠的容量预测。为了补充所提出的模型，本文介绍了 ExplainBattery，这是一个允许用户与我们高效的 LSTM 进行交互的 Web 应用程序。该工具使用户能够直观地了解不同电池的预测结果，并通过可解释的仪表板探索最具影响力的属性。ExplainBattery 增强了我们模型的可用性和透明度，为 PHM 和 BMS 环境中的进一步研究和实际应用提供了一个可访问的平台。
基于动态概率模型和 LSTM 网络的航空发动机预测和健康管理框架
摘要：本研究提出了一种航空发动机预测与健康管理（PHM）框架，该框架结合了动态概率（DP）模型和长短期记忆神经网络（LSTM）。采用基于高斯混合模型-自适应密度峰值聚类算法的DP模型从发动机服役开始对故障发展进行建模，具有训练时间极短、精度足够高的优点，并引入主成分分析将复杂的高维原始数据转换为低维数据。该模型可根据发动机数据的积累不断更新，以捕捉发动机故障的发生和演变过程。针对常用数据驱动方法存在的问题，采用DP+LSTM模型对发动机剩余使用寿命（RUL）进行估算。最后，利用 NASA 的商业模块化航空推进系统仿真数据集对所提出的 PHM 框架进行了实验验证，结果表明 DP 模型在故障诊断中比经典的人工神经网络方法具有更高的稳定性，而 DP + LSTM 模型在 RUL 估计中的准确率高于其他经典的深度学习方法。
使用 GAN 和 LSTM 网络根据 EEG 和 EOG 信号检测驾驶员睡意
近年来，驾驶时困倦已成为交通事故的主要原因。然而，我们对评估驾驶员困倦的电生理指标知之甚少。前期研究和我们的研究表明，alpha 阻断现象和 alpha 波衰减-消失现象分别代表两种不同的困倦程度，即放松觉醒和睡眠开始。本文提出了一种基于脑电图 (EEG) 和眼电图 (EOG) 信号的驾驶员困倦检测新模型。我们的模型旨在跟踪 alpha 波的变化并区分这两种与 alpha 相关的现象。采用连续小波变换从时域和频域中的生理信号中提取特征。同时，引入长短期记忆 (LSTM) 网络来处理 EEG 和 EOG 信号的时间信息。为了解决生理样本不足的问题，使用生成对抗网络 (GAN) 来扩充训练数据集。实验结果表明，检测 alpha 波起点和终点的 F1 得分达到 95% 左右。我们采用的条件 Wasserstein GAN (CWGAN) 可以有效扩充数据集并提高分类器性能。同时，我们的 LSTM 分类器在留一交叉验证下对 alpha 波终点进行分类的平均准确率为 98%。
使用LSTM在巴西进行预测和爆发检测：整合人类流动性和气候因素
背景登革热是全球主要的健康问题，由于其有利的气候因素，社会环境状况以及人类流动性的增加，巴西反复发生和严重爆发。准确的登革热案件和爆发风险对于预警系统和有效的公共卫生干预至关重要。传统的预测模型主要依赖于历史案例数据和气候变量，通常忽略了人类运动在病毒传播中的作用。本研究通过将人类流动性数据纳入基于深度学习的登革热预测框架来解决这一差距。方法开发了一种基于LSTM的模型，以预测每周的登革热病例并检测到选定的巴西城市的爆发。该模型整合了历史登革热案例，滞后气候变量（温度和湿度）以及人类移动调整后的进口案例，以捕获时间趋势和空间传播动态。根据三种替代模型评估其性能：（1）仅使用登革热案例数据的LSTM，（2）结合气候变量的LSTM，以及（3）LSTM集成气候和地理邻里效应的LSTM。使用平均值溶质误差（MAE），平均绝对百分比误差（MAPE）和连续排名的概率得分（CRP）评估了预测准确性，而使用准确性，灵敏度，特异性和F1分数评估了爆发分类。结果在登革热案例预测和爆发检测中，提出的提出的迁移率增强的LSTM模型始终超过所有基线。在所有城市中，它都达到了较低的MAE和MAPE值，表明准确性提高，同时也表现出了出色的CRP性能，反映了良好的校准不确定性估计值。在爆发分类中，该模型达到了最高的灵敏度和F1分数，与仅依赖病例趋势，气候变量或地理位置的模型相比，它在检测爆发期间的有效性。结果强调了登革热预测中赋予移动性数据的重要性，尤其是在人口较高的城市中心。