XiaoMi-AI文件搜索系统
World File Search Systemlstm
使用各种机器学习算法评估电力需求预测
能源部门在很大程度上依赖于电力负载预测的各种机器学习算法，该算法在制定发电和发电的政策中起着关键作用。功率载荷预测的精度取决于反映数据中非线性特征的许多因素。值得注意的是，机器学习算法和人工神经网络已成为当代电力负载预测中必不可少的组件。这项研究专门针对机器学习算法，涵盖支持向量机（SVM），长期短期记忆（LSTM），集合分类器，复发性神经网络和深度学习方法。该研究通过利用过去5年来利用昌迪加尔UT电力数据来精心研究短期电力负载预测。对预测准确性的评估利用了指标，例如归一化平方误差（NMSE），均方根误差（RMSE），平均绝对误差（MAE）和相互信息（MI）。与其他算法相比，LSTM的预测结果表明，LSTM的性能出色，预测误差是LSTM中最低的，而SVM中的误差最低，高13.51％。这些发现为不同机器学习算法的优势和局限性提供了宝贵的见解。使用MATLAB R2018软件进行了建议的方法的验证实验。
基于CNN-LSTM的新型糖尿病分类方法：
摘要本文介绍了糖尿病分类方法的开发，利用卷积神经网络（CNN）和长期记忆（LSTM）模型。所提出的方法利用LSTM和CNN体系结构的优势有效地捕获顺序模式并从输入数据中提取有意义的特征。全面包含糖尿病患者相关特征的数据集用于训练和评估分类器。评估指标，例如KAPPA评分，F1得分，准确性，精度和召回率，以评估每个模型的性能。结果表明，CNN-LSTM模型的表现优于其他模型，包括逻辑回归，随机森林，SVM和KNN，其令人印象深刻的精度为97％。这些发现阐明了拟议方法在准确分类糖尿病中的有效性，从而导致糖尿病诊断和治疗的显着进步，并为个性化医疗保健打开了令人兴奋的可能性。
基于CNN-LSTM的新型糖尿病分类方法：
摘要本文介绍了糖尿病分类方法的开发，利用卷积神经网络（CNN）和长期记忆（LSTM）模型。所提出的方法利用LSTM和CNN体系结构的优势有效地捕获顺序模式并从输入数据中提取有意义的特征。全面包含糖尿病患者相关特征的数据集用于训练和评估分类器。评估指标，例如KAPPA评分，F1得分，准确性，精度和召回率，以评估每个模型的性能。结果表明，CNN-LSTM模型的表现优于其他模型，包括逻辑回归，随机森林，SVM和KNN，其令人印象深刻的精度为97％。这些发现阐明了拟议方法在准确分类糖尿病中的有效性，从而导致糖尿病诊断和治疗的显着进步，并为个性化医疗保健打开了令人兴奋的可能性。
将经济指标和市场情绪效应纳入美国国库债券收益率预测
摘要：对美国国库债券产量的准确预测对于投资策略和经济决策至关重要。本文探讨了高级机器学习技术的应用，特别是经常性神经网络（RNN）和长期记忆（LSTM）模型，在预测这些产量中。通过整合主要的经济指标和政策变化，我们的方法旨在提高收益预测的精度。我们的研究表明，LSTM模型比传统RNN的优越性在捕获财务数据中固有的时间依赖性和复杂性方面具有优越性。包含宏观经济和策略变量可显着提高模型的预测准确性。这项研究强调了传统银行业在金融市场预测中采用人工智能（AI）的开创性运动。除了考虑驱动债券市场波动的常规经济指标外，本文还优化了LSTM，以应对在市场情绪已经定价的加息期望时处理情况。
引用：Kamana E，Zhao J，Bai D.使用LSTMSEQ2SEQ深度LEAL
►►事实证明，气候因素的使用是有效预测疟疾发生率的预测因素，并显着影响了拟议的长期记忆序列序列（LSTMSEQ2SEQ）模型，以捕获季节性模式和趋势模式和趋势和预测疟疾的发生。 ►►►典型的机器学习模型很难预测长期的依赖性，并且单个LSTM捕获过去的过去事件并使用它们来预测未来的价值，甚至很难。 通过组合可以预测多个时间步长而不是具有多任务单元格的专门LSTM单元，LSTMSEQ2SEQ解决了此问题。 ►►lstmseq2seq比其他使用的深度学习模型需要更多的时间进行培训。 在我们研究中使用的四种类型的疟原虫中，从头开始训练LSTMSEQ2SEQ。 其他模型需要几个小时到几天才能使用疟疾病例和气象变量数据进行训练。 在许多省份，LSTM的速度比LSTMSEQ2SEQ模型快七倍。 但是，在疟疾病例较少的省份中的影响并不显着。 ►►由于缺乏其他相关潜在的非气候因素，我们无法通过本研究中的任何模型在某些省份获得准确的预测。►►事实证明，气候因素的使用是有效预测疟疾发生率的预测因素，并显着影响了拟议的长期记忆序列序列（LSTMSEQ2SEQ）模型，以捕获季节性模式和趋势模式和趋势和预测疟疾的发生。►►►典型的机器学习模型很难预测长期的依赖性，并且单个LSTM捕获过去的过去事件并使用它们来预测未来的价值，甚至很难。通过组合可以预测多个时间步长而不是具有多任务单元格的专门LSTM单元，LSTMSEQ2SEQ解决了此问题。►►lstmseq2seq比其他使用的深度学习模型需要更多的时间进行培训。在我们研究中使用的四种类型的疟原虫中，从头开始训练LSTMSEQ2SEQ。其他模型需要几个小时到几天才能使用疟疾病例和气象变量数据进行训练。在许多省份，LSTM的速度比LSTMSEQ2SEQ模型快七倍。但是，在疟疾病例较少的省份中的影响并不显着。►►由于缺乏其他相关潜在的非气候因素，我们无法通过本研究中的任何模型在某些省份获得准确的预测。
时间序列的机器学习模型的比较分析
摘要：本研究比较了在财务数据分析中预测时间序列的不同机器学习模型。使用包括Arima，LSTM和GRU在内的模型来预测股票价格变动。我们衡量每个模型在各种数据集中的准确性和计算效率，并讨论其在财务预测环境中的优势和劣势。调查结果表明，深度学习模型在捕获传统方法的复杂时间模式方面显示出显着改善。关键字：时间序列预测，机器学习，Arima，LSTM，财务分析。A.简介
Wenwen Chen
情感计算中媒体音视频的情感识别对于人机交互(HCI)/脑机交互(BCI)等领域的深度认知有着重要的应用价值，特别是在现代远程教育中，音乐情感分析可以作为对教学过程进行实时评估的重要技术之一。在复杂的舞蹈场景中，采用传统方法进行音乐情感分析的准确率不高。因此，该文提出了一种用于情感计算中多模态音乐情感分析的新型长短期记忆(LSTM)网络模型。利用双通道LSTM分别模拟人类的听觉和视觉处理通路，处理音乐和面部表情的情感信息。然后在一个公开的双模态音乐数据集上对模型进行训练和测试。在LSTM模型的基础上，引入层次分析法(AHP)在决策层融合加权特征。最后，实验表明，所提方法可以有效提高识别率，并节省大量的训练时间。
使用机器学习预测网络链接上的带宽利用
摘要 - 在网络链接上预测带宽利用率对于检测拥塞以在发生之前对其进行纠正非常有用。在本文中，我们提出了一种解决方案，可以预测不同网络链接之间的带宽利用率，其精度非常高。创建了一个模拟网络，以收集与每个接口上网络链接的性能有关的数据。这些数据通过功能工程进行处理和扩展，以创建培训集。我们评估和比较了三种类型的机器学习算法，即Arima（自回归的集成移动平均线），MLP（多层感知器）和LSTM（长期短期记忆），以预测未来的带宽消耗量。LSTM的表现优于Arima和MLP，其预测非常准确，很少超过3％的误差（Arima为40％，MLP为20％）。然后，我们证明建议的解决方案可以通过由软件定义网络（SDN）平台管理的反应实时使用。索引术语 - 国王检测，LSTM，MLP，Arima，实时带宽预测