- 基于长短期记忆网络的增强 AdaBoost 虚拟现实体验预测
基于改进的 AdaBoost 的长短期记忆网络（LSTM）的分类预测算法用于预测虚拟现实（VR）用户体验。该算法通过结合 LSTM 和 AdaBoost 算法，在虚拟现实领域的相关研究中取得了显著进展，提高了模型的准确性和泛化能力。
- 走向清晰之路：探索可解释的人工智能在驾驶辅助系统中的世界模型
在自动驾驶中，透明度和安全性至关重要，使用于自动驾驶系统中的神经网络通常被认为是黑盒。我们通过可解释的人工智能方法和粗粒化技术来解决这一问题，并提出了一种建立透明骨干模型的方法，使得潜在值能够映射到输入特征，并且性能可与黑盒模型相媲美。此外 - 通过临床报告的情感分类评估牙齿和口腔问题的严重程度
通过对放射科报告中的情感分析，开发了基于卷积神经网络和长短时记忆网络结构的深度学习模型，用于检测患者情况的严重程度，结果表明该模型在估计口腔和牙科疾病的严重程度方面表现最佳。
- MM可重构智能表面的定位：一种主动感知方法
通过利用长短时记忆网络和深度神经网络的方法，本研究提出了一种改进的主动感知设计，旨在解决上行定位问题，其中基站通过可重构智能表面（RISs）帮助定位远程用户。在实验中，我们说明了这种主动感知设计相较于非主动感知方法的优势，同时研究还表明，在 - 使用 LSTM 网络自动检测游戏中的错误
我们提出了一个新的框架，使用长短期记忆（LSTM）网络来检测感知缺陷，将视频游戏中的缺陷检测为异常，并通过聚类来确定发生的缺陷类别。该框架在两个第一人称射击游戏上进行了评估，结果显示了框架的有效性。
- tsMorph：生成半合成时间序列以理解算法性能
tsMorph 方法通过数据集变形生成半合成时间序列，用以评估 Long Short-Term Memory Network 在频率不同的时间序列上的性能。研究结果表明，tsMorph 是一种有效理解预测算法行为的工具，并能克服实证研究所面 - LocSelect: 带有听觉选择性听觉定位机制的目标说话人定位
本文提出了一种具有选择性听觉机制的目标讲话者定位算法，通过给定目标讲话者的参考语音，首先生成一个依赖于讲话者的频谱图遮罩以消除干扰讲话者的语音，在经过长短期记忆网络提取过滤后的频谱图中的目标讲话者的位置。实验证实了我们提出的方法在不同尺度不 - SoilNet: 一种基于注意力机制的时空深度学习框架，用于欧洲数字土壤制图中的土壤有机碳预测
该研究通过数字土壤制图（DSM）方法的空间 - 时间深度学习技术，提出了一个新的模型架构，具有基于卷积神经网络（CNN）模型和空间注意力机制的空间信息，以及基于长短期记忆（LSTM）网络的气候时间信息，用于欧洲土壤有机碳的预测，结果表明该模 - 基于数据驱动学习的多步血糖预测模型预测控制 (Model Predictive Control) 人工胰脏
我们提出了一种闭环胰岛素输送算法的设计和 extit {体外} 评估，该算法用于治疗 1 型糖尿病（T1D），其中包括基于数据驱动的多步血糖（BG）预测器，集成到线性时变（LTV）模型预测控制（MPC）框架中。
- 循环神经网络和长短时记忆网络：教程和调研
本研究论文介绍了递归神经网络 (RNN)、 长短期记忆网络 (LSTM) 及其变体，在训练过程中解决长序列中的梯度消失 / 爆炸问题，并详细介绍了 LSTM 中的门控单元，双向 RNN 及 Embeddings from Language - 公共建筑能耗预测的深度学习
本文提出了一种基于 LSTM 网络的公共建筑物能耗预测方法，包括数据处理、训练和验证、预测三个步骤，并使用 MAE 和 MAPE 等评价指标对英国国家档案馆主楼的每半小时测量数据集进行了测试。
- LSTMSPLIT：基于 SPLIT 学习的序列时间序列数据上有效的 LSTM
本研究提出了一种名为 LSTMSPLIT 的新方法，结合 Split learning 和 LSTM network，用于处理具有多个客户端的时间序列分类问题，同时采用差分隐私以提高数据隐私保护。实验证明，该方法在心电图数据集和人类活动识别 - MM通过学习进行通信的主动感知
本文提出了一种深度学习方法，用于解决无线通信中的一类主动感知问题。该方法利用 LSTM 网络和 DNN 网络，旨在优化自适应信道感知任务，包括自适应波束成形和自适应可重构智能表面感知问题。数值结果表明该新方法优于现有的自适应或非自适应感知方 - 基于超低复杂度的长短期记忆网络用于相干光通信系统中的光纤非线性抑制
本文提出了一种中心定向长短记忆网络（Co-LSTM）结合简化模式和回收机制的方法，以实现在具有超低复杂度的相干光通信系统中减轻纤维非线性。
- 使用基于注意力的双向 LSTM 网络从单个音频生成语音 / 面部动画
本文提出了一种端到端的深度学习方法，用于从音频中实时生成面部动画，采用了深度双向长短时记忆网络和注意力机制识别语音中的上下文信息的潜在表示，并自动推断不同水平的面部动作，并随着输入音频中的相应音高和潜在说话风格保持一致，无需预设或进一步的人 - 用于识别离线非限制性越南手写的端到端识别系统
提出了一种基于注意力的编码器解码器模型 (AED)，用于识别越南手写文本，该模型通过使用 DenseNet 提取不变特征和将带有注意力模型的 LSTM 解码器连接在一起的方法生成输出文本，实验结果表明，在 VNOnDB-Word 和 VNO - 基于策略预测网络和基于优化的上下文推理的在线车辆轨迹预测
本文提出了一个在线的两级汽车轨迹预测框架用于城市自动驾驶，其中有复杂的上下文因素，例如车道几何、道路建设、交通规则和移动代理人。我们将高层策略预测与低层背景推理相结合，并利用长短期记忆（LSTM）网络使用其序列历史观测来预测车辆的驾驶策略， - MM基于 And-Or 图表示的神经任务规划
本文提出了使用长短时记忆网络和知识与或图来解决语义任务规划问题，通过训练辅助 LSTM 网络，可以产生很多有效的样本，进而提高模型的训练效果，实验证明该方法对于解决日常任务规划问题有很好的效果。
- 基于深度学习的智能电网虚假数据注入攻击动态检测
研究使用深度学习技术检测注入数据度量值的方法，运用卷积神经网络与长短时记忆网络，观察数据测量和网络水平特征以共同学习系统状态，以此有效估算系统变量，实验结果表明，这种深度学习算法可以识别传统状态估计坏数据检测无法检测到的异常。
- 遗忘门的不合理有效性
本文提出了一种仅含遗忘门的 LSTM 神经网络模型（即 JANET），采用 chrono-initialized 偏置技术，经实验证明该模型在多个基准数据集上不仅提高了计算效率，而且性能表现较传统 LSTM 网络更优，达到了 99% 和 9