边缘智能跌倒检测系统设计与实现
针对独居老人跌倒监护需求，设计基于边缘智能的跌倒检测系统。系统以CANMV K230D为平台，采用YOLOv8n-Pose提取人体17个关键点，结合LSTM进行时序分析，并利用“跌倒概率>0.5且姿态持续>5秒”双阈值判定及三级严重度报警。在边缘端实现27.3FPS，人体检测准确率95.8%，关键点准确率88.7%，mAP@0.5为80.5%，跌倒检测准确率86.63%，本地报警<100ms，4G报警2~3s。结果满足实时性与隐私保护需求。
Tag Archives: 长短期记忆网络
Python融合RNN、GRU、LSTM多变量空气质量多步预测|附AI智能体、代码和数据
本文系统梳理了如何利用Python、Keras和Skforecast库，构建基于循环神经网络（RNN）及其变体（GRU、LSTM）的时间序列预测模型。文章以某城市空气质量数据为实例，详细解答了以下几个关键问题：1) 如何针对单变量、多变量及多输出等不同业务场景，设计并适配深度学习网络结构？2) 如何利用create_and_compile_model工具高效搭建模型，并融入外生变量？3) 如何通过概率预测和自定义损失函数来满足更复杂的业务需求？4) 在实际项目中，如何权衡模型复杂度与预测精度的关系？
时序预测、深度强化学习与蒙特卡洛模拟融合：LSTM、GRU、Attention、DQN及多策略智能体的股票交易决策体系构建——以Google股价为例 | 附代码数据
在过去的十年里，金融市场的数据维度与复杂性与日俱增。传统的统计模型在面对股价的非线性、高噪声特性时，往往显得力不从心。
视频讲解|Python贝叶斯优化长短期记忆神经网络BO-LSTM的能耗、黄金价格预测可视化
在数据驱动决策的时代，时间序列预测作为数据科学的核心应用之一，始终是各行业探索未来趋势的关键工具。无论是金融市场的黄金价格波动，还是能源领域的能耗变化，精准的预测都能为企业和决策者带来巨大的价值提升。作为数据科学家，我们在协助客户完成的咨询项目中，深入探索了贝叶斯优化算法与长短期记忆网络（LSTM）的融合应用，在黄金收盘价预测与能耗预测两大场景中取得了显著成果。
【视频讲解】Python用LSTM长短期记忆网络GARCH对SPX指数金融时间序列波动率滚动预测
本文融合了多种技术，其中 LSTM（长短期记忆网络）和 GARCH（广义自回归条件异方差）模型尤为关键。
Matlab用深度学习循环神经网络RNN长短期记忆LSTM进行波形时间序列数据预测
此示例说明如何使用长短期记忆 (LSTM) 网络预测时间序列
R语言用Keras长短期记忆LSTM神经网络分类分析问答文本数据
本文是在 R 中使用 Keras 的LSTM神经网络分类简单介绍。
R 语言用RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测
2017 年年中，R 推出了 Keras 包 ，这是一个在 Tensorflow 之上运行的综合库，具有 CPU 和 GPU 功能。本文将演示如何在 R 中使用 LSTM 实现时间序列预测。
matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类
本示例说明如何使用长短期记忆（LSTM）网络对序列数据进行分类。
