太阳能光伏产业近年发展迅速，准确诊断光伏组件故障位置及类型可以提升运维人员的工作效率。提出一种基于卷积神经网络-长短期记忆模型(Convolutional Neural Networks-Long Short Term Memory，CNN-LSTM)的深度学习诊断模型，利用电站原有设备就可完成检测任务。首先提出了一种依据电流值的组件故障分类方式；然后，检测模型根据光伏阵列布局特点设计了一种特征提取算法，分别提取光伏阵列电流横向与纵向特征，来获取空间与时间上的特性；再通过CNN网络来对横向特征做进一步的提取与纵向特征的压缩，以解决特征种类单一及训练缓慢的问题；最终进入LSTM神经网络来完成对光伏组件的故障诊断。

RNN简介 现实世界中，很多元素都是相互连接的，比如室外的温度是随着气候的变化而周期性的变化的、我们的语言也需要通过上下文的关系来确认所表达的含义。但是机器要做到这一步就相当得难了。因此，就有了现在的循环神经网络，他的本质是：拥有记忆的能力，并且会根据这些记忆的内容来进行推断。因此，他的输出就依赖于当前的输入和记忆。 网络结构及原理 循环神经网络的基本结构特别简单，就是将网络的输出保存在一个记忆单元中，这个记忆单元和下一次的输入一起进入神经网络中。 一个最简单的循环神经网络在输入时的结构示意图： RNN 可以被看做是同一神经网络的多次赋值，每个神经网络模块会把消息传递给下一个，我们将这个图的

这是用https://blog.csdn.net/mounty_fsc/article/details/53114698所介绍的LSTM语言模型小实验训练出来的模型结果，原文博客在https://github.com/jeffdonahue/caffe/blob/recurrent/examples/coco_caption/Caffe language model.ipynb

https://blog.csdn.net/zxm_jimin/article/details/94742224

数据集有三列:年、月和乘客。“passengers”列包含指定月份中旅行的乘客总数，可以看到数据集中有144行3列，这意味着数据集中包含了乘客12年的出行记录。这项任务是根据前132个月的数据，预测过去12个月出行的乘客数量。请记住，我们有144个月的记录，这意味着前132个月的数据将用于训练我们的LSTM模型，而模型性能将使用最后12个月的值进行评估。

本资源包含一个python文件和一个verilog文件，python文件使用pytorch框架搭建了一个RNN模型，并将RNN模型的LSTM层的一个权值矩阵，以二进制定点补码的形式输出，存储为coe文件；verilog文件在xilinx里初始化了一个ROM的IP核，用于加载coe文化，存储权值矩阵，并写了仿真程序将ROM中的矩阵读取出来。 关于这个工程的解释，可以参考这篇博客https://blog.csdn.net/kuan__/article/details/110453686

情绪分析 总览 情感分析是一种自然语言处理（NLP）任务，其目的是评估文本块的极性/情感。 根据定义，广泛用于客户关系管理（CRM）的环境中，用于自动评估评论和调查回复以及社交媒体。 情绪分析中常见的子任务是： 消息极性分类：给定一条消息，对消息的整体上下文极性进行分类是正面，负面还是中性。 基于主题或基于实体的消息极性分类：给定消息和主题或实体，将消息按该主题或实体分类。 SemEval（国际语义评估研讨会）是一个流行的，专门负责情感分析任务的研讨会。 有关此类任务（任务4）的最新年度（2017年）概述，请访问： : 。 该项目当前仅针对“消息极性分类”子任务。 该存储库包含：

可用于进行序列预测的一维数据集，取自某支股票的某时间段内的价格。

使用集成学习模型xgboost、lightGBM、Catboost以及深度学习模型LSTM预测目标变量（因子），通过丰富的EDA、数据预处理、特征工程、特征选择、参数调优、模型对比分析、可视化分析（箱图、密度图、pair plot、）等步骤来进行整体的合理评估和分析。

SIR_LSTM 同时具有SIR变体和LSTM模型的混合模型，用于Covid-19预测。 不确定性量化工具箱：Chung，Youngseog和Neiswanger，Willie和Char，Ian和Schneider，Jeff（2020），超越弹球损失：用于校准不确定性量化的分位数方法 CovsirPhy开发团队（2020），CovsirPhy，用于使用SIR派生的ODE模型进行COVID-19分析的Python软件包，