XiaoMi-AI文件搜索系统
World File Search SystemLSTM
基于人工智能的可再生交流微电网与双向 LSTM 风力发电的优化调度
摘要——在微电网运行方面，优化调度是一个必须考虑的重要问题。在这方面，本文提出了一个有效的可再生微电网优化调度框架，考虑了储能设备、风力涡轮机、微型涡轮机。由于微电网运行问题的非线性和复杂性，使用准确而鲁棒的优化技术来有效地解决这个问题至关重要。为此，在所提出的框架中，利用基于教师学习的优化来有效地解决系统中的调度问题。此外，提出了一种基于双向长短期记忆的深度学习模型来解决短期风电预测问题。使用 IEEE 33 总线测试系统检查了所提框架的可行性和性能以及风电预测对运行效率的影响。此外，澳大利亚羊毛北风场数据被用作真实数据集来评估预测模型的性能。结果表明，所提出的框架在微电网优化调度中具有有效和高效的性能。
使用基于LSTM的模型从脑电图中提取不同级别的语音信息
解码一个人通过脑电图（EEG）从人脑聆听的语音信号可以帮助我们忽略听觉系统的工作原理。线性模型已用于从语音中重建脑电图，反之亦然。最近，人工神经网络（ANN），例如，综合神经网络（CNN）和基于长期的短期记忆（LSTM）架构在建模脑电图与语音之间的关系方面的线性模型优于线性模型。在诱惑将这些模型在实际应用中使用这些模型之前，例如听力测试或（第二）语言理解评估，我们需要知道这些模型正在介绍哪种语音信息。在这项研究中，我们旨在使用不同级别的语音特征分析基于LSTM的模型的性能。该模型的任务是确定两个给定的语音段中的哪个与记录的脑电图匹配。我们使用了低级和高级语音特征，包括：信封，MEL频谱，语音活动，音素标识和词嵌入。我们的结果表明，该模型可阐述有关脑电图中有关沉默，强度和广泛语音类别的信息。此外，包含所有这些信息的MEL频谱图在所有特征中都具有最高的精度（84％）。索引术语：LSTM，CNN，语音解码，听觉系统，EEG
基于能量的特征和双 LSTM 神经网络用于基于 EEG 的音乐和语音分类
摘要 人类大脑通过多种方式接收刺激；其中，音频是大脑在交流、娱乐、警告等方面的重要相关刺激来源。在此背景下，本文的目的是推进对大脑对不同类型的音乐和不同性质的声音（语音和音乐）的反应的分类。为此，设计了两个不同的实验，从听不同音乐类型的歌曲和不同语言的句子的受试者那里获取脑电图信号。据此，提出了一种新的方案来表征脑信号以进行分类；该方案基于构建一个特征矩阵，该特征矩阵建立在不同脑电图通道测量的能量之间的关系和使用双长短期记忆神经网络的基础上。利用获得的数据，对基于脑电图的语音和音乐、不同音乐类型以及受试者是否喜欢所听歌曲进行分类进行评估。实验表明，所提出的方案性能令人满意。二元音频类型分类的结果成功率达到 98.66%。在四种音乐流派的多类分类中，准确率达到61.59%，音乐品味的二分类结果上升至96.96%。
通过人工智能社会创新解决无家可归问题：采用 ARIMA 和 LSTM 等预测分析和机器学习模型，对洛杉矶无家可归人群的犯罪受害情况进行新颖且具有突破性的评估
无家可归是一个世界性的问题，近年来洛杉矶 (LA) 的无家可归者数量急剧增加。尽管已经开展了多项研究来调查无家可归的各个方面及其与犯罪受害的交集，但没有一项研究使用机器学习技术来分析无家可归与无家可归者受害之间的关系。为了更好地了解无家可归者受害的影响，我们整合了从联邦、州和市政府机构获得的三个数据集，创建了一个统一的数据集，得出了重要的发现。特征工程用于引出无家可归不同维度之间的关系。基于提取的特征，机器学习技术用于模拟无家可归者的受害情况。我们的研究结果表明，洛杉矶无家可归者受害与种族、性别、年龄和社区划分密切相关。鉴于本研究的主要目标是帮助社会服务机构实施社会创新，我们应用了两种复杂的机器学习方法来预测无家可归者的未来：自回归综合移动平均线 (ARIMA) 和长短记忆网络 (LSTM)。这两个模型都从不同角度进行了训练，以预测未来两年内犯罪热点地区以及弱势群体的性别、种族和年龄组。最后，向各部门和政府机构提出了一些社会改进建议，以改善针对无家可归犯罪受害者的服务和项目。
加密货币价格预测指标-IJRPR
此方法提供了[1]有见地的信息，可促进在极其不可预测的比特币市场中改善风险管理和决策。实验结果[2]表明，SVR模型对于加密货币价格预测的准确性可以通过综合学习模型有效地改进。这是通过考虑[3]长期任期内存（LSTM）和变形金刚神经网络来完成的，这些术语（LSTM）和使用历史差异以及使用历史差异以及这些型号的技术指示器以及这些模型（ELNCO）（ELNCO）（ELNCO）（ELNCO）（BITCO）（BITCO）（BITCO）（BITCO）（BITCO）（BITCO）（BIT）（BITCO）（BT） Litecoin（LTC）。我们的实验表明，[4]脊回归模型优于更复杂的预测模型，例如RNN和LSTM，在预测确切的关闭价格时。另一方面，LSTM可以比其他人更好地预期加密货币价格的方向。
使用具有长短期记忆的循环神经网络估计锂离子电池的充电状态
摘要 —本文提出了一种针对实际条件下运行的锂离子电池 (LIB) 使用长短期记忆循环神经网络 (LSTM) 的精确充电状态 (SOC) 估计算法。凭借其自学习能力，这种数据驱动的方法能够模拟整个电池寿命期间由于环境和工作条件变化而导致的 LIB 高度非线性行为。结果表明，在准确性和稳定性方面，LSTM 方法优于使用扩展卡尔曼滤波器 (EKF) 的常见物理模型。为了证明这一优势在实际应用中的优势，使用从储能领域的商业行业应用收集的数据对所提供的网络进行训练和测试。在不同工作条件下使用 EKF 对 LSTM 进行评估并将其与等效电路模型 (ECM) 进行比较。对于动态负载曲线，ECM-EKF 的误差 (RMSE) 为 9.5%，而 LSTM 的误差 (RMSE) 为 5.0%。
文章 深度学习算法预测加密货币价格波动：提高投资意识
摘要：以太坊和 XRP 等数字货币允许所有交易在线进行。为了强调法定货币的去中心化性质，我们可以举例说明所有虚拟货币用户都可以在没有第三方参与的情况下访问服务。加密货币价格波动是非平稳且高度不稳定的，类似于传统股票的价格变化。由于加密货币的吸引力，投资者和研究人员都更加关注加密货币价格预测。随着深度学习的兴起，加密货币预测变得非常重要。在本研究中，我们提出了一种长短期记忆 (LSTM) 算法，可用于预测四种类型的加密货币的价值：AMP、以太坊、光电系统和 XRP。均方误差 (MSE)、均方根误差 (RMSE) 和归一化均方根误差 (NRMSE) 分析用于评估 LSTM 模型。从这些模型中获得的结果表明，LSTM 算法在预测所有形式的加密货币方面均具有出色的性能。因此，它可以被视为最有效的算法。LSTM 模型为所有加密货币提供了有希望且准确的预测。该模型用于预测 180 天内加密货币的未来收盘价。在训练和测试过程中，使用 Pearson 相关性指标来评估预测值与目标值之间的相关性。在预测 XRP 货币价格时，LSTM 算法在训练 (R = 96.73%) 和测试 (96.09%) 中实现了最高的相关值。使用已建立的 LSTM 模型可以准确预测加密货币价格，该模型表现出高效的性能。应用这些模型的意义在于，它们可能通过协助投资者和交易者识别不同类型加密货币的销售和购买趋势，对经济产生巨大影响。将 LSTM 模型的结果与现有系统的结果进行了比较。本研究的结果表明，基于所提出的系统的低预测误差，所提出的模型表现出卓越的准确性。
深度学习算法预测加密货币波动价格：增加投资意识
摘要：以太坊和 XRP 等数字货币允许所有交易在线进行。为了强调法定货币的去中心化性质，我们可以举例说明所有虚拟货币用户都可以在没有第三方参与的情况下访问服务。加密货币价格波动是非平稳且高度不稳定的，类似于传统股票的价格变化。由于加密货币的吸引力，投资者和研究人员都更加关注加密货币价格预测。随着深度学习的兴起，加密货币预测变得非常重要。在本研究中，我们提出了一种长短期记忆 (LSTM) 算法，可用于预测四种类型的加密货币的价值：AMP、以太坊、光电系统和 XRP。均方误差 (MSE)、均方根误差 (RMSE) 和归一化均方根误差 (NRMSE) 分析用于评估 LSTM 模型。从这些模型中获得的结果表明，LSTM 算法在预测所有形式的加密货币方面均具有出色的性能。因此，它可以被视为最有效的算法。LSTM 模型为所有加密货币提供了有希望且准确的预测。该模型用于预测 180 天内加密货币的未来收盘价。在训练和测试过程中，使用 Pearson 相关性指标来评估预测值与目标值之间的相关性。在预测 XRP 货币价格时，LSTM 算法在训练 (R = 96.73%) 和测试 (96.09%) 中实现了最高的相关值。使用已建立的 LSTM 模型可以准确预测加密货币价格，该模型表现出高效的性能。应用这些模型的意义在于，它们可能通过协助投资者和交易者识别不同类型加密货币的销售和购买趋势，对经济产生巨大影响。将 LSTM 模型的结果与现有系统的结果进行了比较。本研究的结果表明，基于所提出的系统的低预测误差，所提出的模型表现出卓越的准确性。
医疗保健中的人工智能：使用统计、神经和集成架构进行时间序列预测
文献中已经提出了统计和神经方法来预测医疗保健支出。然而，对比较这两种方法的预测以及医疗保健领域中的集合方法的关注更少。本文的主要目的是评估其预测某些止痛药每周平均支出的能力，以评估不同的统计，神经和集合技术。两个统计模型，持久性（基线）和自回归积分移动平均（ARIMA），一个多层感知器（MLP）模型，一个长期的短期内存（LSTM）模型以及结合ARIMA，MLP预测的集合模型和LSTM模型进行校准，以预测两种不同的止痛药的支出。在MLP和LSTM模型中，我们比较了训练数据的障碍和MLP和节点中某些节点的辍学的影响，并在训练过程中LSTMS中的LSTMS中的复发连接。结果表明，整体模型在两种止痛药中的持久性，Arima，MLP和LSTM模型都优于持久性。一般而言，不助长训练数据并添加辍学有助于MLP模型并助长了训练数据，而没有添加辍学帮助两种药物中的LSTM模型。我们强调了使用统计，神经和集合方法来预测医疗领域结果的时间序列。
研究文章 人工智能和神经网络在教学中的应用
本研究旨在探索人工智能与网络技术在教学中的应用。通过研究基于人工智能的智慧课堂教学模式以及利用网络技术进行网络教学的优缺点，以数学课堂为例，对教学过程中课堂教师的提问环节进行智能分析。针对教师提出的问题，采用卷积神经网络（CNN）和长短期记忆（LSTM）网络分类模型，按照问题内容和类型对问题进行分类，并进行实验验证。结果表明，在教师提问内容维度的分类结果上，CNN模型整体表现优于LSTM模型。CNN具有更高的准确率，关键知识点分类准确率达到86.3%。LSTM只有79.2%，CNN提升了8.96%。在教师问题类型的分类结果中，CNN的准确率更高。提示问题的分类准确率最高，达到了87.82%。LSTM只有83.2%，CNN提升了4.95%。CNN在教师问题分类结果中表现更好。