rnn标签_AtomGit开源社区

rnn

让神经网络拥有“记忆”：RNN、LSTM 与 GRU 的通俗图解与代码实战【NLP系列第二篇】

本文系统解析NLP核心序列模型RNN、LSTM与GRU的原理与机制，并结合PyTorch提供代码实战与避坑指南，助你轻松掌握长序列建模。

m0_73777119
2026-06-13 22:23:37

 659

 26

#rnn #神经网络 #lstm
CNN、RNN与Self-Attention：定义、原理、复杂度与对比-AI轮回基本原理复习3

卷积神经网络（Convolutional Neural Network, CNN）依托局部感受野参数共享提取局部特征，最早用于图像领域，后拓展至NLP、语音、时序分析。循环神经网络（Recurrent Neural Network, RNN）通过递归隐藏状态逐时序处理序列，当前时刻输出同时依赖当前输入与历史记忆。htfxtht−1htfxtht−1自注意力机制直接计算序列任意两个元素的关联度

 黎明
2026-06-12 11:19:13

 347

 6

#人工智能 #cnn #rnn
循环神经网络

自然语言处理（Nature language Processing, NLP）什么是自然语言？人类日常交流使用的语言，例如：汉语、英语、法语等自然语言处理做了什么？主要是通过计算机算法来理解自然语言，处理自然语言对应的文本信息。处理流程：输入自然语言文本->分词->词嵌入-> 模型处理->输出结果。文本预处理：脏数据、缺失值、分词(工具：jieba)词嵌入(Dense Embedding)/词向量

 qingyulee
2026-06-11 11:40:05

 247

 5

#rnn #人工智能 #深度学习
机器学习：6.卷积神经网络与循环神经网络

本文总结了卷积神经网络(CNN)和循环神经网络(RNN)的核心原理与应用。CNN通过局部相关性和权重共享机制高效提取空间特征，包含卷积层和池化层结构，广泛应用于图像识别和文本分类。RNN引入时间维度处理序列数据，但存在长期依赖问题。LSTM通过门控机制和细胞状态解决了这一问题，GRU是其简化版本。词嵌入技术将单词映射为低维向量，Word2Vec通过CBOW和Skip-gram模型实现语义表征学习。

小糖学代码
2026-06-10 10:54:50

 246

 5

#机器学习 #cnn #rnn +1
基于LSTM与ARIMA的城市空气质量分析与预测系统

摘要：本研究针对京津冀地区PM2.5浓度短期骤升问题，基于北京2013-2023年空气质量数据，对比分析了LSTM与ARIMA模型的预测性能。通过统一的数据预处理（缺失值填充、异常值裁剪、归一化）和评估框架（MSE、RMSE、MAE、R²、准确率），发现LSTM模型（双层结构+Dropout）在非线性特征捕捉上显著优于ARIMA，其RMSE降低40.7%，准确率达85.15%。系统采用B/S架构

 叫我：松哥
2026-06-09 21:47:22

 307

 4

#lstm #人工智能 #rnn +4
给 RNN 装上“会增长的记忆”：解读 Google 的 Memory Caching

阿里·贝赫鲁兹团队的最新研究探讨了递归模型在长上下文任务中表现不佳的核心原因——固定大小的记忆容量导致信息遗忘。为解决这一问题，他们提出了"记忆缓存"（Memory Caching）框架：将序列分段处理，保存每段的记忆状态，并通过四种创新聚合策略实现历史信息的动态检索。这种方法在保持RNN高效性的同时，显著提升了长程依赖建模能力，且计算复杂度仅从O(L)增至O(NL)。理论分析表明，该框架能统一解

 xianghongtao0116
2026-06-08 20:23:37

 581

 11

#rnn #人工智能 #深度学习 +1
半导体行业中基于 LSTM 神经网络的 SPC 异常预测实战

本文介绍了如何利用LSTM神经网络改进半导体制造中的SPC异常检测系统。传统SPC存在事后报警、规则死板、误报率高等痛点，而LSTM能提前15分钟预警异常，降低68%误报率。文章详细讲解了LSTM原理、Python实现代码（含数据生成、模型训练和可视化），并分享了某12英寸晶圆厂的实战案例：部署后月均停线时间从60小时降至18小时，年节省成本200万元。关键优势在于LSTM能学习历史时序模式，实现

 感觉不爽
2026-06-07 16:06:28

 474

 10

#lstm #人工智能 #rnn
【转载】RNN模型与NLP应用(1/9)：数据处理基础

本文介绍了机器学习中类别特征的数据处理方法，重点讲解了one-hot编码的原理和应用。首先，文章通过年龄、性别、国籍的例子说明类别特征（如国籍）不能直接用数字表示，因为数字之间的大小比较无意义。正确的做法是使用one-hot编码，将每个类别转换为一个全零向量，并在对应位置设为1。接着，文章以自然语言处理中的文本数据为例，展示了如何通过分词、统计词频和建立字典将单词转换为数值特征，并最终使用one-

蓦然回首却已人去楼空
2026-06-05 21:19:57

 188

 4

#rnn #自然语言处理 #人工智能
计算机毕业设计之基于LSTM的上市公司金融风险分析预测系统的设计与实现

本研究设计了一个基于LSTM的上市公司金融风险预测系统，通过爬虫技术获取股票数据并进行清洗和特征工程处理，构建LSTM模型进行训练优化。系统包含公告资讯模块，支持分类和标题查询功能，能有效识别金融风险并预警。实证表明系统具有良好的预测准确性和实用性，为市场参与者提供了决策支持工具，未来将进一步优化模型并扩展数据源。

2501_92338149
2026-06-05 13:39:35

 228

 8

#lstm #人工智能 #rnn +4
深度学习面试八股——循环神经网络RNN

方法工作原理优点缺点适用场景词袋模型（BOW）将文本表示为词频向量不考虑词序和上下文。简单直观，易实现，能够有效表示词频信息。忽略词序，生成高维稀疏向量。文本分类、信息检索TF-IDF基于词袋模型考虑词在文档中的频率以及整个语料库中的普遍性，赋予不同词权重。反映词的重要性，避免常见词主导影响，适用于文本分类。生成稀疏矩阵，无法捕捉词序和上下文关系。文本分类、关键词提取BM25基于 TF-IDF 的

 好评笔记
2026-06-05 13:04:41

 296

 5

#深度学习 #rnn #人工智能 +4
计算机毕业设计之基于LSTM的上市公司金融风险分析预测系统的设计与实现

本研究设计了一个基于LSTM的上市公司金融风险预测系统，通过股票数据爬取、数据清洗预处理和LSTM模型训练等步骤，构建了风险分析预测模型。系统采用分布式爬虫获取数据，经过特征工程处理后输入LSTM网络训练，最终通过可视化界面展示股票价格、收益趋势等关键指标。实证分析表明，该系统能有效识别金融风险，为投资者和监管机构提供决策支持。研究还探讨了系统的技术可行性及优化方向，未来将拓展数据来源以提升预测准

 微信bishe234
2026-06-05 11:09:56

 228

 7

#lstm #人工智能 #rnn +2
现代循环神经网络（三）：编码器-解码器、Seq2Seq与束搜索

本文介绍了序列到序列（Seq2Seq）模型在机器翻译任务中的应用，重点涵盖数据处理、模型架构、训练推理差异和解码策略四个核心环节：数据准备：详细说明了文本预处理、词元化、词表构建和变长序列批处理技术，强调特殊token（bos/eos/pad/unk）的作用和掩码机制的必要性。编码器-解码器架构：解析了编码器压缩语义信息、解码器自回归生成的工作原理，指出固定长度上下文向量的信息瓶颈问题。训练

 2401_83600008
2026-06-05 09:00:00

 739

 27

#rnn #人工智能 #深度学习
项目介绍 MATLAB实现基于PSO-RNN-DRL 粒子群优化算法（PSO）结合循环神经网络（RNN）与深度强化学习（DRL）进行无人机三维路径规划（含模型描述及部分示例代码）专栏近期有大量优惠还

本文介绍了一种基于PSO-RNN-DRL混合算法的无人机三维路径规划方法，针对复杂环境下的巡检、救援等任务需求，提出了融合全局搜索、时序建模和强化学习的智能决策框架。项目通过粒子群优化(PSO)生成初始路径，利用循环神经网络(RNN)处理动态环境时序信息，结合深度强化学习(DRL)实现在线策略优化，有效解决了三维路径规划中的高维搜索、动态适应和多目标优化等挑战。文中详细阐述了算法架构和实现流程，包

 xiaoxingkongyuxi
2026-06-05 07:26:59

 208

 7

#matlab #rnn #算法 +4
项目介绍 MATLAB实现基于BFOA-DNN-RNN 细菌觅食优化算法（BFOA）结合深度神经网络（DNN）与循环神经网络（RNN）进行无人机三维路径规划（含模型描述及部分示例代码）专栏近期有大量优

本文提出了一种基于细菌觅食优化算法（BFOA）、深度神经网络（DNN）和循环神经网络（RNN）融合的无人机三维路径规划方法。该算法通过BFOA实现全局路径搜索，利用DNN提取环境空间特征进行路径评估，结合RNN处理动态时序信息，形成"搜索-评估-预测"一体化机制。MATLAB实现包含三维环境建模、路径编码、DNN/RNN训练和BFOA优化等模块，能有效解决复杂三维空间中的路径规

 xiaoxingkongyuxi
2026-06-04 10:34:29

 155

 8

#matlab #dnn #rnn +4
计算机毕业设计之基于LSTM的新型病毒传播风险预测研究

本研究构建了基于LSTM的新型病毒传播风险预测系统，整合公共卫生数据和新闻数据，通过数据预处理、模型训练（采用交叉验证和早停法）实现精准预测。系统包含数据采集、处理、可视化等模块，支持多维度疫情分析（如确诊/死亡/恢复人数对比、风险等级评估等），并采用Hadoop+Spark+Django+Vue技术栈实现。实验表明LSTM模型能有效捕捉传播趋势，为疫情防控决策提供支持，尽管对突发事件敏感性有待提

 wx_zhuyanbishe
2026-06-04 10:16:12

 85

 1

#lstm #人工智能 #rnn +1
NLP学习：RNN模型

双向RNN模型：前向传播隐藏状态+后向隐藏状态。

温柔只给梦中人
2026-06-04 10:03:02

 23

#自然语言处理 #学习 #rnn
计算机毕业设计之基于Python的数据可视化技术在交通流量分析中的应用研究

摘要：本研究基于Python开发了一种交通流量分析可视化系统，整合青岛多源交通数据（如道路监控、公共交通等），利用大数据处理与机器学习技术实现实时分析与短期拥堵预测。系统通过数据挖掘和模式识别揭示交通时空特征，实验证明其能有效提升管理效率、优化资源配置。设计注重实用性与扩展性，支持实时更新与模型优化，为智慧城市建设提供科学依据，具有广泛推广价值。功能需求分析：系统包含五大模块：数据抓取：通

 Wx是bishe911
2026-06-04 09:58:42

 201

 3

#python #开发语言 #数据分析 +2
计算机毕业设计之基于Python的饿了么数据分析与可视化

《饿了么外卖数据分析与可视化系统研究》摘要本研究构建了一个基于Python的饿了么外卖数据分析平台，整合了订单数据采集、清洗存储、智能分析和可视化展示全流程。系统采用Scrapy爬虫获取原始数据，通过Pandas进行数据清洗，并运用MySQL和HDFS实现分布式存储。核心功能包括：1）多维度消费行为分析；2）基于Spark的分布式计算；3）ECharts驱动的数据可视化看板；4）随机森林销量预测

 Wx是bishe911
2026-06-03 16:53:33

 158

 10

#python #数据分析 #信息可视化 +4
计算机毕业设计之基于LSTM的新型病毒传播风险预测研究

摘要：本研究构建了基于LSTM的新型病毒传播风险预测系统，通过深度学习处理时间序列数据，预测确诊/死亡/康复人数等关键指标。系统包含数据采集、预处理、模型训练（采用交叉验证和早停法）、可视化和管理等模块，经测试在传播趋势预测上表现出色（评估指标包括均方误差和决定系数）。研究证实LSTM模型能有效捕捉病毒传播动态，为公共卫生决策提供支持，但也存在对突发事件敏感性不足等局限。该成果为疫情防控提供了兼具

 Wx是bishe911
2026-06-03 16:46:02

 196

 3

#lstm #人工智能 #rnn +4
计算机毕业设计之基于LSTM的股票走势预测系统研究与实现

本研究设计了一个基于LSTM的股票走势预测系统，通过深度学习技术处理历史数据并预测未来走势。系统包含数据分析、数据处理、可视化管理等模块，采用Scrapy爬取数据并利用Pandas进行清洗预处理。实现了股票关键指标预测及可视化展示，采用前后端分离架构部署于云平台。实验表明系统预测效果良好，未来可结合更多深度学习模型提升准确性。该系统为金融投资决策提供了智能化支持工具。（149字）

Wx是bishe911
2026-06-03 16:43:00

 186

 5

#lstm #人工智能 #rnn +4
循环神经网络（二）：让机器拥有“记忆”，揭开RNN与语言模型的神秘面纱

本文介绍了循环神经网络（RNN）的核心思想及其在语言模型中的应用。主要内容包括：语言模型基础：通过预测下一个token的概率分布来评估文本合理性，如输入法推荐候选词。 N-gram的局限性：传统方法因固定窗口大小导致长距离依赖丢失和数据稀疏问题。 RNN的核心机制：通过隐状态（H_t）保留历史信息，实现序列记忆。其公式化表示为H_t = tanh(X_t W_xh + H_{t-1} W_hh

2401_83600008
2026-06-01 08:00:00

 863

 23

#rnn #语言模型 #深度学习
循环神经网络（一）：从预测股票到读懂文字，踏入序列数据的新世界

本文介绍了序列数据的特点及其处理方法。首先解释了序列数据（如股票价格、语音信号、文本等）与普通表格数据的区别，强调顺序对序列数据的重要性。然后讲解了自回归模型的概念，即用历史数据预测未来值。重点阐述了文本数据的预处理流程：词元化（按词或字符切分）、建立词表（将token转为数字编号）、序列切分（将长文本切为训练片段）。文章还比较了随机采样和顺序分区两种训练策略的优缺点，为后续RNN模型的学习奠定了

 2401_83600008
2026-05-31 08:00:00

 593

 19

#rnn #人工智能 #深度学习
基于LSTM的云南省天气预报预测系统的设计与实现

本文介绍了基于深度学习的云南省天气预报系统开发。系统采用Java语言和Spring Boot框架，结合MySQL数据库，利用LSTM神经网络模型处理气象时序数据。云南省复杂的地形气候特征导致传统预报模型精度不足，而LSTM能有效捕捉气象数据的长期依赖关系，提高短期预报准确性。系统实现了数据上传、处理和分析功能，通过RESTful接口提供服务，为气象部门提供智能化的预报工具。开发中运用了Java的面

 m0_59169364
2026-05-28 11:53:56

 141

 3

#lstm #人工智能 #rnn +4
基于LSTM的沪深300数据分析系统

本文提出了一种基于LSTM深度学习的沪深300指数分析系统，旨在解决传统金融时序模型在非线性、非平稳性市场预测中的局限性。系统采用Java+SpringBoot技术栈，结合MySQL数据库，构建了完整的金融数据分析平台。LSTM网络通过门控机制有效捕捉市场长期依赖关系，整合多源异构数据实现精准预测。实验结果表明，该系统在指数走势预测方面优于传统方法，为量化投资、风险管理等场景提供了智能化解决方案。

猿新
2026-05-28 11:43:23

 160

 1

#lstm #人工智能 #rnn +3
基于LSTM的沪深300数据分析系统

本文提出了一种基于LSTM深度学习的沪深300指数预测系统。针对传统金融时序分析方法难以捕捉市场非线性特征的局限性，系统采用LSTM神经网络构建预测模型，充分利用其处理长期依赖关系的优势。技术实现上，后端采用Spring Boot框架，数据库使用MySQL，前端通过可视化界面展示预测结果。实验表明，该系统能有效分析市场趋势，为投资决策提供参考。系统整合了多源金融数据，实现了从数据处理到模型预测的全

 m0_59169364
2026-05-28 11:42:48

 164

 2

#lstm #人工智能 #rnn +3
【动手学深度学习·第五篇】循环神经网络：LSTM、GRU、语言模型，处理变长序列的正确姿势

本文介绍了循环神经网络(RNN)及其变体LSTM和GRU的核心原理与应用。首先分析了MLP/CNN处理序列数据的局限性，指出RNN通过引入隐状态作为"记忆"来解决这些问题。详细推导了RNN的数学定义和BPTT算法，解释了梯度消失问题的根源。重点拆解了LSTM的四个门控机制和GRU的简化结构，展示了它们如何有效捕获长距离依赖。文章还介绍了处理变长序列的pack_padded_sequence技巧，并

 拾-光
2026-05-28 03:18:06

 559

 7

#深度学习 #rnn #lstm +4
深度学习预测电池SOH与SOC的关键数据与模型

在混合动力（HEV）或纯电（EV）车辆中，准确预测电池的**健康状态（SOH）荷电状态（SOC）**是电池管理系统（BMS）的核心任务。深度学习为此提供了强大的工具。以下将详细阐述可用于预测的数据属性以及可考虑的深度学习模型。

2401_87923736
2026-05-27 11:37:20

 646

 13

#深度学习 #rnn
02 从 RNN 到 Transformer：为什么语言建模需要新结构？

在上一篇文章中，我们从整体上介绍了大语言模型的发展路线。大语言模型并不是突然出现的，它背后经历了一个长期演进过程：统计语言模型↓神经网络语言模型↓↓Seq2Seq↓Attention↓↓↓大语言模型如果想真正理解大语言模型，不能一上来就只看 GPT、LLaMA、Qwen 或 DeepSeek。我们需要先理解一个更基础的问题：为什么早期的 RNN、LSTM、Seq2Seq 结构不够用了？

z小猫不吃鱼
2026-05-26 11:48:51

 392

 5

#rnn #transformer #人工智能
深度分析字节最新研究cola-DLM第 06 章：分块因果 DiT 先验 —— 在隐空间里做 Flow Matching

分块因果DiT先验模型摘要 Cola-DLM提出了一种基于Transformer的连续隐空间扩散模型，将DiT架构从图像领域迁移到文本处理。模型核心包括：架构设计：采用24层Transformer结构，通过PatchIn1D/PatchOut1D处理隐变量序列，使用AdaLN注入时间步信息。关键组件：时间步通过正弦嵌入+MLP编码 AdaLN实现条件归一化（scale-shift和gate-

Yunzenn
2026-05-25 18:02:12

 621

 15

#人工智能 #深度学习 #transformer +4
【深入理解 RNN】：从循环神经网络到 LSTM·GRU——序列建模的基石

本文系统介绍了循环神经网络(RNN)及其改进模型LSTM和GRU的核心原理与应用。首先阐述了RNN通过循环连接和权重共享处理变长序列的特性，分析了BPTT训练算法存在的梯度消失问题。重点讲解了LSTM通过遗忘门、输入门和细胞状态构建的"信息高速公路"机制，以及GRU通过更新门和重置门的简化结构。文章还探讨了RNN在序列建模领域的统治地位及其被Transformer取代后的转型价值，指出RNN在边缘

 拾-光
2026-05-25 10:30:00

 1288

 26

#rnn #lstm #gru +4
NLP系列之Transformer API 详解笔记

d_model = 64 # 特征维度，与模型定义一致batch_size = 32 # 批次大小：一次处理32个样本src_len = 12 # 源序列长度：如英文句子有12个词tgt_len = 7 # 目标序列长度：如中文句子有7个字src_vocab_size = 1000 # 源语言词表大小（如英文有1000个不同的词）tgt_vocab_size = 1500 # 目标语言词表大小（如

 MAX。
2026-05-24 21:09:51

 413

 8

#rnn #自然语言处理 #深度学习
基于LSTM的天气预测

本文介绍了LSTM网络原理及其在气象数据预测中的应用。作者陈相樵是西安工程大学研究生，研究方向为无人机路径规划。文章详细阐述了LSTM通过门控机制解决RNN梯度消失问题的原理，包括遗忘门、输入门和输出门的工作机制。实验采用耶拿气候数据集，包含2009-2016年14种气象参数，分别实现了单变量（气压/温度）和多变量（温度、气压、湿度）预测。实验结果表明LSTM能有效处理长序列气象数据，并提供了完整

 ZHW_AI课题组
2026-05-22 17:33:22

 486

 7

#lstm #人工智能 #rnn
深度分析字节最新研究cola-DLM第 01 章：语言生成的三次范式之争 —— 从 RNN 到 AR 到扩散

本文探讨了语言生成模型的三种范式：自回归（AR）、离散扩散和连续隐空间扩散。自回归模型（如GPT）通过链式法则逐token生成文本，具有训练高效但缺乏全局规划的缺陷。扩散模型在图像领域表现出色，但应用于离散文本面临挑战。研究者提出两种解决方案：离散扩散（如LLaDA）直接在token空间进行mask-and-predict操作，而连续隐空间扩散（如Cola DLM）通过VAE将文本映射到连续空间进

 Yunzenn
2026-05-21 14:35:11

 1698

 46

#rnn #人工智能 #深度学习 +4
基于长短时记忆网络的日平均气温预测模型研究

气温预测是时间序列分析中的经典问题，传统ARIMA模型难以捕捉长期非线性依赖。本文提出一种基于双向长短时记忆网络（Bi-LSTM）的日平均气温预测模型。利用DataShareClub平台提供的某城市2015‑2020年每日气象数据，构建了包含气温、湿度、风速、气压的四维特征输入，以过去30天的时序窗口预测未来24小时的平均气温。实验结果表明，Bi-LSTM模型在测试集上的均方根误差（RMSE）为2

lcuiandlc_8
2026-05-21 10:03:07

 403

 8

#lstm #人工智能 #rnn +2
（2025|ICML|斯坦福，测试时训练（TTT），线性注意力，RNN，嵌套循环）学习（在测试时学习）：具有表达性隐藏状态的 RNN

通过使隐藏状态成为一个机器学习模型，并将更新规则设为自监督学习的一步，本文将监督学习表述为学习如何学习，包含两个嵌套循环。外循环与常规训练相同。外循环的参数是内循环的超参数。由于隐藏状态在测试序列上也会进行训练更新，这些层被称为TTT层

 EDPJ
2024-07-10 15:11:40

 6075

 17

#rnn #人工智能 #深度学习
第九章《语言与理解》完整学习资料

参考答案上下文长度是模型一次能处理的输入最大token数（如GPT-3为2048，GPT-4为8192或更多）。限制原因自注意力的 (O(n^2)) 计算复杂度，长文本推理慢且内存大。长文本中关键信息可能被遗忘。限制应用：无法直接处理整本书或多轮长对话，需用摘要或检索增强。

风落无尘
2026-05-20 19:59:23

 415

 10

#语言模型 #rnn #transformer
day27_卷积神经网络与循环神经网络入门

卷积神经网络（Convolutional Neural Network, CNN）是含有卷积层的神经网络，卷积层的作用是自动学习、提取图像的特征。层次作用卷积层（CONV）负责提取图像中的局部特征池化层（POOL）大幅降低参数量级（降维）全连接层（FC）输出CNN模型的预测结果给定一张图片，判断图片里是什么东西。最左边是数据输入层（去均值、归一化等预处理），中间经过卷积层+激活层+池化层的循环叠加

 YUDAMENGNIUBI
2026-05-19 20:14:34

 411

 4

#cnn #rnn #人工智能
Transfomer的位置嵌入理解

本文详细解析了Transformer模型中的位置嵌入机制。对于文本Transformer，位置嵌入解决自注意力机制的位置无关性问题，通过将位置索引编码为向量并与词向量相加，使模型理解词序。主流方法包括固定正弦编码和可学习位置嵌入。对于图像Transformer(ViT)，位置编码需处理二维空间关系，常见方法有1D顺序编码、2D行列编码和相对位置编码。关键区别在于：文本位置是词序索引，图像位置是pa

天一生水water
2026-05-19 09:35:11

 362

 7

#rnn #人工智能
从词嵌入到RNN（其一）

本文探讨了神经网络如何处理时序数据（如语言）的核心问题。首先指出图像与语言的根本差异：图像是空间艺术，语言是时间艺术。为解决这一问题，文章介绍了词嵌入技术——用稠密向量表示词语语义特征，通过上下文关系自动学习词义（如Word2Vec模型）。重点阐述了分布式假设：语义相似的词会出现在相似上下文中，模型通过"完形填空"式训练自动捕捉这种模式。这种表示方法使机器能够量化词语间的语义关

 2501_93400112
2026-05-18 02:24:16

 526

 14

#rnn #人工智能 #深度学习
MATLAB实现基于RNN-PSO 循环神经网络（RNN）结合粒子群优化算法（PSO）进行电力负荷预测的详细项目实例（含完整的程序，GUI设计和代码详解）专栏近期有大量优惠还请多多点一下关注加

本文提出了一种基于RNN-PSO（循环神经网络结合粒子群优化算法）的电力负荷预测方法。项目通过RNN捕捉电力负荷的时序特征，并利用PSO算法优化网络参数，显著提升了预测精度。主要内容包括：数据预处理：对历史负荷数据进行清洗、归一化和滑动窗口处理，构建训练集和测试集。模型构建：采用RNN网络结构，包含输入层、RNN层、Dropout层和全连接层，通过PSO算法全局优化网络权重和超参数。优化策略

 xiaoxingkongyuxi
2026-05-17 11:45:00

 342

 6

#matlab #rnn #算法 +4
项目介绍 MATLAB实现基于LSTM-PSO-RNN 长短期记忆网络（LSTM）结合粒子群优化算法（PSO）与循环神经网络（RNN）进行无人机三维路径规划（含模型描述及部分示例代码）专栏近期有大量优

本文提出了一种基于LSTM-PSO-RNN混合算法的无人机三维路径规划方法。该方法结合长短期记忆网络(LSTM)的时序建模能力、循环神经网络(RNN)的局部路径优化特性以及粒子群优化(PSO)算法的参数自动调优功能，在复杂三维环境中实现高效路径规划。系统首先通过环境建模构建三维栅格地图，利用LSTM学习全局路径特征生成初始轨迹，再由RNN进行局部精细化调整，最后通过PSO优化网络结构和路径参数。M

xiaoxingkongyuxi
2026-05-15 17:54:08

 757

 19

#rnn #matlab #lstm +4
水文预报新方法：基于TensorFlow的前馈网络、卷积网络与循环神经网络详解

深度学习在水文水质领域的应用方法，重点讲解Python工具包(TensorFlow、NumPy等)的使用技巧。内容涵盖前馈神经网络、卷积神经网络和循环神经网络(LSTM/GRU/Attention)三大模型，通过水位预报、水质评价等实际案例，详细演示模型构建流程和参数设置。特别针对大型水库水位计算等水动力学难题，对比传统方法与深度学习方案的优劣。教程采用可视化案例教学，避免复杂数学推导，使不同专业

 asyxchenchong888
2026-05-15 16:10:46

 409

 12

#tensorflow #网络 #rnn
高炉智变：12期实战带你玩转工业AI落地~系列文章01：LSTM如何预测铁水硅含量？

文章摘要本文详细介绍了如何利用LSTM神经网络预测高炉铁水硅含量。文章首先阐述了硅含量作为高炉冶炼"体温计"的重要性，对比了传统经验判断的局限性。随后深入浅出地讲解了LSTM的工作原理，特别是其独特的"遗忘门-记忆门-输出门"机制如何解决RNN的"健忘症"问题。在实战部分，文章重点介绍了高炉数据采集的多种传感器类型，并提供了完整的数据预

 段一凡-华北理工大学
2026-05-14 09:30:00

 615

 10

#人工智能 #lstm #rnn +1
面试题：传统序列模型详解——RNN、LSTM、GRU 原理、区别、优缺点一文讲透

传统序列模型里，最基础的是 RNN，它通过循环隐藏状态把前文信息传给后文，适合处理有顺序的数据。如果把这道题压缩成一句话，那就是：RNN 让神经网络第一次真正具备了处理序列的能力，但它在长序列上容易遗忘早期信息，也容易出现梯度问题；GRU 在保留门控思想的同时做了结构简化，更轻量、更高效。真正高质量的回答，不是孤立背诵 RNN、LSTM、GRU 的定义，而是顺着“原理—问题—改进—比较—应用场景”

闵浮龙
2026-05-13 15:08:50

 379

 9

#rnn #lstm #gru +2
自注意力机制凭什么替代了RNN？用代码讲清楚它为什么这么强

写这篇文章的时候，我特意去翻了一下2017年的代码仓库。当时用LSTM做机器翻译，一个3000万句对的模型要训练两周。现在同样的任务，Transformer只需要一天半，效果还好得多。自注意力机制的厉害之处不是它算力强，而是它让信息不再需要经过"压缩-解压"的过程。每个位置直接跟所有位置对话，没有中间商赚差价。这才是替代RNN的根本原因。如果你也想深入理解Transformer，我建议不要只读论文

 weixin_45495161
2026-05-13 10:51:17

 462

 11

#rnn #人工智能 #深度学习
【时序预测】基于RNN的时间序列预测：从原理到实现

本文介绍了基于RNN的时间序列预测方法，从基础概念到完整实现。首先阐述了时间序列的特点（时序性、自相关性等）和分析方法，包括数据加载、统计分析和可视化。然后详细讲解了RNN原理及其变体（LSTM、GRU等），重点分析了LSTM的门控机制。在实现部分，展示了数据预处理流程（清洗、归一化、序列生成）和PyTorch模型定义，包括LSTM层和全连接层的构建。文章提供了完整的代码示例，涵盖从数据准备到模型

 南屹川
2026-05-12 22:35:08

 1310

 19

#rnn #人工智能 #深度学习
RNN案例之:人名分类器

以一个人名为输入, 使用模型帮助我们判断它最有可能是来自哪一个国家的人名

 Jmayday
2026-05-12 04:45:19

 630

 16

#rnn #深度学习 #人工智能 +1
从零手写RNN诗歌生成器：逐行代码解释+数学案例彻底搞懂

数据预处理：把文本转换成ID序列数据集构建：用滑动窗口生成(x,y)样本对模型结构：嵌入层→RNN层→全连接层训练过程：重点理解CrossEntropyLoss的维度要求和损失计算生成过程：逐字采样生成新文本。

Al leng
2026-05-11 20:15:26

 414

 10

#rnn #人工智能 #深度学习