LSTM新架构论文分享5
上述转自：深度之眼
感觉都挺老套的
1.Machine Learning-Based Wet Refractivity Prediction Through GNSSTroposphere Tomography for Ensemble Troposphere Conditions Forecasting
https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=10568161
本文通过结合LSTM和GAN，提出了一种新的集合大气条件预测方法，利用GNSS对流层层析成像预测湿折射率。该方法在波兰和加利福尼亚的案例研究中表现出色，3小时预测的RMSE值显著低于现有的WRF模型和确定性预测方法。最优阈值、高灵敏度和精确度以及低假阳性率表明了该模型在不同气候条件下的适应性和可靠性。这一研究成果不仅提高了大气条件预测的准确性，还为未来的天气预测提供了新的方法和思路。波兰:3小时预测的均方根误差(RMSE)为4.15 ppm，最优阈值为0.41，灵敏度为0.967，精确度为0.973，假阳性率(FPR)为0.027。3小时预测的RMSE降低了43%。
2.Enhancing deep learning-based slope stability classification using anovel metaheuristic optimization algorithm for feature selection
https://www.nature.com/articles/s41598-024-72588-5.pdf
本文通过结合LSTM和GAN，并引入二进制灰狼优化(bGGO)技术进行特征选择，提出了一种新的边坡稳定性分类方法。该方法在多个关键性能指标上显著优于传统的RNN和LSTM模型，以及经典的GAN模型。bGGO-GAN模型在627个样本的数据集上达整理到了95%的准确率，展示了其在边坡稳定性评估中的高准确性和可靠性。这-研究成果不仅为边坡稳定性分类提供了新的方法，还为地质工程应用提供了宝贵的见解。
3.SIeepEGAN: A GAN-enhanced Ensemble Deep Learning Model forImbalanced Classification of Sleep Stages
https://arxiv.org/pdf/2307.05362
https://github.com/ChengXuewei/SleepEGAN
本文提出的SleepEGAN模型通过结合EGAN生成少数类别的样本和集成学习策略，显著提高了睡眠阶段分类的准确性和鲁棒性。在三个公共睡眠数据集上的实验结果表明，SleepEGAN在总体准确率、宏平均F1分数和N1阶段的F1分数上均优于现有的最先进方法。特别是在SHHS数据集上，N1阶段的F1分数从40.5%提升到54.1%，总体准确率从81.0%提升到88.0%，展示了SIeepEGAN在处理类别不平衡和个体异质性问题上的强大能力。这一研究成果为自动睡眠阶段分类提供了一种新的有效方法。
4.A Novel CNN-BiLSTM Ensemble Model With Attention Mechanism for Sit-to-Stand Phase Identification Using Wearable Inertial Sensors
https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=10439259https://github.com/xinchenPhD/sit-to-stand-phase-identification-using-wearable-inertial-sensors
这篇论文提出了一深度之眼整理个结合了卷积神经网络(CNN)、双向长短期记忆网络(BILSTM)和注意力机制(Attention Mechanism)的集成模型，用于穿戴式惯性传感器在坐姿到站姿转换阶段识别中的应用。这个模型被称为CNN-BiLSTM-Attention算法。这三个组件的结合使得CNN-BiLSTM-Attention模型能够有效地识别和理解坐姿到站姿转换的动态，对于控制外骨骼机器人以协助患者稳定站立至关重要，实验结果表明，该模型在自定义数据集(STS-PD)上的平均分类准确率达到了99.5%，与其它传统机器学习算法和深度学习算法相比表现最佳。
5.Attention-based CNN-LSTM and XGBoost hybrid model for stockprediction
https://arxiv.org/pdf/2204.02623
https://github.com/zshicode/Attention-CLX-stock-prediction
这个模型结合了卷积神经网络(CNN)、长短期记忆网络(LSTM)和注意力机制(AttentionMechanism)，并且与XGBoost回归器一起使用，以提高预测的准确性。模型首先使用CNN来提取原始股票数据的深层特征，然后利用LSTM网络挖掘时间序列特征，最后通过XGBoost模型进行微调，以充分挖掘多个周期内股市的信息。这个混合模型被称为AttCLX，它在股票价格预测方面表现出更高的有效性和准确性。与ARIMA模型相比，AttCLX模型的MAE(平均绝对误差)降低了约65%。
6.A self-attention-based CNN-Bi-LSTMmodelforaccuratestate-of-chargeestimation of lithium-ion batteries
https://www.sciencedirect.com/science/article/pii/S2352152X24011095
https://github.com/Z-Sherkat/Hybrid-Model-Attention
该研究提出了一个基于卷积神经网络(CNN)、双向长短期记忆网络(Bi-LSTM)和自注意力机制(Self-Attention Mechanism)的混合模型，用于锂离子电池的准确状态充电(State-of-Charge,SOc)估计。这个模型结合了CNN的空间特征提取能力、Bi-LSTM的时序特征捕捉能力以及自注意力机制，以提高SOC估计的准确性