针对网络入侵检测准确率偏低而误报率偏高的问题，提出一种融合卷积神经网络（CNN）与双向长短期记忆（ BILSTM）网络的网络入侵检测方法。对 Kddcup99数据集进行预处理，并分别使用CNN模型、 BILSTM模型提取局部特征和长距离依赖特征，通过注意力机制计算特征的重要性，利用 softmax分类器获得最终的分类结果实验结果表明，与基于CNN和基于LSTM的方法相比，该方法的网络入侵检测效果较好，其准确率可提高至95.0%，误检率可降低至5.1%。

基于LSTM长短期记忆网络的数据分类预测（Matlab完整程序和数据） 基于LSTM长短期记忆网络的数据分类预测（Matlab完整程序和数据） 基于LSTM长短期记忆网络的数据分类预测（Matlab完整程序和数据） 运行环境Matlab2018b及以上。

MATLAB实现GWO-LSTM灰狼算法优化长短期记忆神经网络多输入单输出回归预测（完整源码和数据） 灰狼算法优化参数为初始学习率，隐藏层节点个数，正则化参数。 数据为多输入回归数据，输入6个特征，输出1个变量。 运行环境MATLAB2018b及以上,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。

MATLAB实现CNN-BiLSTM卷积双向长短期记忆网络多变量时序预测， 数据为多变量时间序列数据，多输入单输出,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件，运行环境MATLAB2020b及以上，运行主程序即可。

灰狼算法优化长短期记忆网络（GWO-LSTM）的多输入单输出回归预测 （Matlab完整程序和数据） 运行版本2018及以上 优化参数为学习率，隐藏层节点个数，正则化参数Matlab代码，多个评价指标。

基于SSA-LSTM麻雀算法优化长短期记忆网络单变量时间序列预测（Matlab完整程序和数据）运行版本2018及以上 基于SSA-LSTM麻雀算法优化长短期记忆网络单变量时间序列预测（Matlab完整程序和数据）运行版本2018及以上 基于SSA-LSTM麻雀算法优化长短期记忆网络单变量时间序列预测（Matlab完整程序和数据）运行版本2018及以上

基于GWO-LSTM灰狼算法优化长短期记忆网络单变量时间序列预测（Matlab完整程序和数据）运行版本2018及以上 基于GWO-LSTM灰狼算法优化长短期记忆网络单变量时间序列预测（Matlab完整程序和数据）运行版本2018及以上 基于GWO-LSTM灰狼算法优化长短期记忆网络单变量时间序列预测（Matlab完整程序和数据）运行版本2018及以上

1.文件含所有代码以及保存数据，代码含有部分注释。 2.时间序列预测，验证集评价指标为rmse、MAE、MAPE、R2计算值 3.本文的运行效果如下，不同的案例数据，不同优化参数效果是不一样，有问题提供免费咨询和售后服务。 4.使用版本为matlab2020a，低于该版本的打开代码会出现乱码，属于正常现象，私聊会进行解决，高于此版本不会出现问题。 5.不同电脑、不同版本的运算结果会出现不同，因为采取随机算子。 %% LSTM结构参数 options = trainingOptions('adam', ... % adam优化算法 自适应学习率 'MaxEpochs',500,...% 最大迭代次数 'MiniBatchSize',10, ...%最小批处理数量 'GradientThreshold',1, ...%防止梯度爆炸 'InitialLearnRate',0.005, ...% 初始学习率 'LearnRateSchedule','piecewise', ... 'LearnRateDropPeriod',125, ...%125次后学习率下降

matlab实战+基于长短期记忆网络(LSTM)的SP500的股价预测+数据分析+机器学习 下载资源可以获得： 1、lstm实现的sp500的股价预测的matlab代码文件 2、SP500历史数据 3、mat数据

实体关系抽取旨在识别网络文本中的实体，并提取出文本中实体之间隐含的关系。研究表明，深度神经网络在实体关系抽取任务上具有可行性，并优于传统关系抽取方法。目前的关系抽取方法大都使用卷积神经网络（CNN）和长短期记忆神经网络（LSTM），然而CNN只考虑连续词之间的相关性而忽略了非连续词之间的相关性。另外，LSTM虽然考虑了长距离词的相关性，但提取特征不够充分。针对这些问题，提出了一种CNN和LSTM结合的实体关系抽取方法，采用3种结合方法进行了实验，验证了该方法的有效性，在F1值上有一定的提升。