LSTM与GAN创新结合！模型性能起飞，准确率超98%

最新推荐文章于 2024-05-16 16:58:23 发布
最新推荐文章于 2024-05-16 16:58:23 发布
阅读量839 收藏 16
点赞数 10
分类专栏： 人工智能干货 深度学习干货 文章标签： lstm 生成对抗网络 人工智能 GAN
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42645636/article/details/138918614
版权

今天来聊一个深度学习领域非常具有创新性的研究方向：LSTM结合GAN。

LSTM擅长处理和记忆长期的时间依赖关系，而GAN可以学习复杂的数据分布并生成逼真的数据样本。通过充分结合两者的优势，我们可以增强模型对复杂数据的处理能力，提高模型在时间序列分析和预测任务中的性能和鲁棒性。

目前，LSTM结合GAN已经在一些领域展现出了优越的成果，比如一种用于提高现代恶意软件检测的准确性和速度的深度学习模型，它结合了LSTM和GAN，在恶意软件检测中达到了98.82%的准确率。

鉴于上述优势，LSTM结合GAN已经被广泛应用于多种场景，如金融市场分析、药物发现等领域。本文整理了9种LSTM结合GAN的创新方案，并简单提炼了可参考的方法以及创新点，希望能给各位的论文添砖加瓦。

论文原文需要的同学看文末

Leveraging LSTM and GAN for Modern Malware Detection

方法：论文利用深度学习模型、LSTM网络和生成对抗网络(GANs)来提高恶意软件检测的准确性和速度，通过研究VirusShare数据集中的恶意软件样本，进行数据准备、模型训练和评估，最终实现98%的准确率，为网络测量分析领域的发展做出贡献。

创新点：

  • 集成LSTM和GAN模型，通过合成数据扩大训练数据集，提高检测准确性。

  • 使用先进的机器学习算法，如CNN和LSTM，相比传统分类器，提高了检测性能和准确性。

  • 通过数据预处理、标记化和数据增强等技术，提高了训练数据的质量和多样性。

  • 使用深度学习模型和大数据分析技术，提高了恶意软件检测的效率和准确性。

  • 提出了集成学习和模型融合的方法，减小了偏差并提高了模型的复杂性。

  • 借助VirusShare数据集，研究了恶意软件的特征、行为和分布，为研究和对抗网络安全威胁提供了有力的基础。

ALGAN: Time Series Anomaly Detection with Adjusted-LSTM GAN

方法：论文提出一种新的模型ALGAN，它利用调整后的LSTM网络来改善无监督环境下单变量和多变量时间序列数据中的异常检测性能。通过将时间序列数据映射到潜在空间并从中重构数据，ALGAN能够计算异常分数来识别偏离正常行为的数据点。

创新点：

  • 提出了一种名为ALGAN的新型模型，用于检测单变量和多变量时间序列数据中的异常。ALGAN利用了调整过的长短期记忆（Adjusted-LSTM）作为生成对抗网络（GAN）中的生成器和判别器模型，从而提高了异常检测的准确性。

  • 开发了一种名为调整过的长短期记忆（Adjusted-LSTM）的新型模型，用于调整LSTM网络的输出，减少信息损失并增强输入和隐藏状态之间的时间依赖关系。

Multi-load short-term prediction of an integrated energy system based on GAN-LSTM

方法：这篇论文创新性地将生成对抗网络（GAN）与长短期记忆网络（LSTM）相结合，用于综合能源系统中多负载的短期预测。通过分析负载间的耦合特性和气象因素的相关性，构建了输入数据集，并利用深度LSTM网络捕捉时间序列特性，显著提升了预测准确性。

创新点：

  • GAN与LSTM的结合：将生成对抗网络（GAN）与长短期记忆网络（LSTM）结合，利用GAN生成高质量的训练数据，同时利用LSTM的时序学习能力，提高了预测的准确性。

  • 多负载耦合特性的考虑：在预测模型中充分考虑了不同能源负载之间的耦合特性，这在以往的研究中往往被忽视。

  • 深度LSTM网络架构：使用深度LSTM网络来增强模型的时间序列特性和非线性拟合能力，这比传统的浅层神经网络有更好的泛化效果。

  • 气象因素的综合考虑：在构建预测数据集时，不仅考虑了负载历史数据，还综合了气象因素，这为提高预测准确性提供了理论基础。

  • 优化的噪声输入分布：根据电力负载和冷热负载的波动特性，选择了不同的噪声输入分布，这可能对训练收敛速度有积极影响。

Parameter prediction of coiled tubing drilling based on GAN–LSTM

方法：论文开发了一个基于生成对抗网络（GAN）和长短期记忆网络（LSTM）的融合模型，用于预测盘管钻井中的循环压力、钻井速度、井口压力和总重量。该模型通过GAN优化LSTM的输入数据，提高了多参数预测的准确性，并通过数据预处理增强了模型的泛化能力。实验表明，该模型的预测准确率可达90%，显著优于传统模型。

创新点：

  • GAN与LSTM的融合：将GAN用于数据生成以优化LSTM的输入，解决了LSTM在处理多变量输出时准确度下降的问题。

  • 钻井参数的深度学习预测：应用深度学习算法于盘管钻井参数的预测，提高了预测的准确性和操作的安全性。

  • 数据预处理技术：对原始数据进行清洗和归一化处理，以提高模型的泛化能力和预测的准确性。

  • 模型结构的创新：设计了一个包含两部分的模型，一部分使用GAN预测井口压力和循环压力，另一部分使用LSTM预测ROP和总重量。

  • 高准确率的预测：实验结果显示，融合模型的预测准确率可达90%，显著高于传统方法。

  • 数据集的优化：通过去除重复和离散数据，减少了数据集的维度，从而提升了模型训练的效果和效率。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“GAN结合”获取全部论文合集

码字不易，欢迎大家点赞评论收藏

深度之眼
关注
  • 10
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
长短期记忆网络（LSTM）和生成对抗网络（GAN）
Mdaying的博客
03-26 1121
该模型能够学习正常交易数据的分布，并生成新的样本来提高判别器的识别能力，从而提高异常检测的准确性。生成器：首先使用全连接层将输入的随机噪声映射到更高维度，然后通过批量归一化和激活函数进行处理，最后通过另一个全连接层生成模拟的交易数据。训练过程：在每个训练批次中，首先训练判别器区分真实数据和生成数据，然后固定判别器的参数，训练生成器欺骗判别器。判别器：使用LSTM层和全连接层构建，输入为交易数据，输出为数据是否正常的概率。生成器：使用全连接层和批量归一化层构建，输入为随机噪声，输出为生成的交易数据。
使用LSTM和GAN预测亚马逊股票价格的时空序列模型
gitblog_00069的博客
04-27 455
使用LSTM和GAN预测亚马逊股票价格的时空序列模型 项目地址:https://gitcode.com/deshpandenu/Time-Series-Forecasting-of-Amazon-Stock-Prices-using-Neural-Networks-LSTM-and-GAN- 该项目源自GitCode，它利用深度学习技术，特别是长短期记忆网络（LSTM）和生成对抗网络（GAN），来...
[神经网络与深度学习]RNN，GRU，LSTM，GAN，Transformer
weixin_56809732的博客
04-28 647
生成器 G的 输入为隐空间的随机数据，它的作用是生成类似于真实样本的数据。例如某一个词元的影响至关重要，加入GRU可以在不给该词元指定一个非常大的梯度的情况下存储重要的信息。Transformer是由编码器和解码器组成的，编码器和解码器是基于自注意力的模块叠加而成的。编码器是由多个相同的层叠加而成的，每个层都有两个子层，包括多头自注意力汇聚和基于位置的前馈网络。如图所示为LSTM中包含的输入门，遗忘门和输出门，他们都通过sigmoid激活函数处理，所以这三个门的值都在（0,1）之间。
【时空序列预测第七篇】Satellite Image Prediction Relying on GAN and LSTM Neural Networks
AI蜗牛车
03-06 9309
Address ICC 2019的一篇paper，为清华团队所写 思路很有趣，也很容易想到，就是用比较火的GAN加上LSTM Satellite Image Prediction Relying on GAN and LSTM Neural Networks 一、创新点和主要工作 1.1 主要创新点 1.2 主要任务 本质上是时空序列预测问题，利用的是卫星云图 主要是过去的序列预测未来的一...
深度学习今年来经典模型优缺点总结，包括卷积、循环卷积、Transformer、LSTM、GANs等
JJxiao520的博客
12-01 1806
最后，再介绍一种人工神经网络：前馈神经网络（Feedforward Neural Networks，FNNs）。将一种语言的文本翻译为另一种语言。适用场景：用于序列数据处理，与 LSTM 类似。将图像分类为不同的物体或场景。案例：股票价格预测。适用场景：用于自然语言处理、机器翻译等。将口头语言转换为文本。适用场景：用于生成图像、音频、文本等。将图像分为不同的类别。适用场景：序列建模、自然语言处理等。适用场景：处理长序列和时间序列数据。适用场景：图像分类、目标检测等。适用场景：用于分类和回归任务。
TGSC-LSTM-TCN-GAN数据生成模型（Python完整源码和数据)
12-15
TGSC_LSTM-TCN-GAN数据生成模型（Python完整源码和数据) TGSC_LSTM-TCN-GAN数据生成模型（Python完整源码和数据) TGSC_LSTM-TCN-GAN数据生成模型（Python完整源码和数据) TGSC_LSTM-TCN-GAN数据生成模型（Python完整源码和数据) import argparse import os import random import torch import torch.nn as nn import torch.backends.cudnn as cudnn import torch.optim as optim import torch.utils.data import torchvision import datetime
【论文笔记】GENPass：使用RCFG+LSTM和对抗生成网络猜解密码。
M2kar的专栏
03-13 1675
密码已成为当今社交网络中主要的身份验证方法。尽管诸如HashCat和John Ripper之类的强力攻击方法不切实际，但随后的研究转向了密码猜测。最先进的方法，例如马尔可夫模型和概率上下文无关文法（PCFG），都基于统计概率。这些方法的匹配率低。事实证明，与传统方法相比，神经网络方法在密码猜测方面更为准确和实用。但是，原始神经网络模型不适合进行跨站点攻击，因为每个数据集都有其自身的功能。本文提出了一种用于密码猜测的通用深度学习模型，称为GENPass。 GENPass可以从多个数据集中学习特征，并通过对抗生
GAN-overview reading note（4）LSTMs解读
专业技能学习笔记本
04-15 296
文章目录前情回顾 前情回顾 没想到自己已经坚持写到第四篇了，附上之前三篇的链接： GAN-overview reading note（1）基础概念 GAN-overview reading note（2）Least Squares-GAN GAN-overview reading note（3）Wasserstein GAN ...
GAN 、LSTM与GRU
qq_60272314的博客
10-21 2280
在阅读论文Multi-Level Sequence GAN for Group Activity Recognition时候，发现其使用的是LSTM+GAN，特此，对GAN与LSTM进行了解。 生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的
基于RNN_LSTM_GAN混合预测（Python代码实现）
weixin_46039719的博客
03-26 1995
GAN-LSTM模型将GAN的生成器附加在LSTM网络的输出层之后，从而建立了LSTM提取的高级时空特征与未来剩余油饱和度场图像之间的映射，通过GAN的生成能力来完成高维饱和度场图像的预测生成，该模型的基本结构如图3所示。LSTM模型能够有效地提取时间序列数据的高级时空特征，对于剩余油预测问题，这些特征能够隐式反映油藏饱和度场的变化趋势和速率，从而能够帮助我们进行未来的剩余油饱和度场预测，但是由于LSTM本身结构的限制，其在高维度输出预测的情况下难以训练。部分理论来源于网络，如有侵权请联系删除。
LSTM_GAN修改.ipynb
04-17
利用生成对抗网络对股票进行预测
基于pytorch进行文本多分类，主要模型为双向LSTM，预测准确率83%Python源码+文档说明
02-14
对给定文本进行多标签分类，使用给定数据，对文本分类模型进行训练、评估和预测，熟悉pytorch，torchtext，tensorflow等开发环境和工具，了解神经网络的基本工作原理。 环境 Anaconda 2020.02 python 3.7.6 pytorch...
基于Python 实现卡口实时过车数据进行交通流量的实时预测分析，使用LSTM循环神经网络模型进行融合预测，准确率达到90%以上
最新发布
05-30
【作品名称】：基于Python 实现卡口实时过车数据进行交通流量的实时预测分析，使用LSTM循环神经网络模型进行融合预测，准确率达到90%以上 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设...
基于卡口实时过车数据进行交通流量的实时预测分析，使用LSTM循环神经网络模型进行融合预测，准确率达到90%python源码
02-14
基于卡口实时过车数据进行交通流量的实时预测分析，使用LSTM循环神经网络模型进行融合预测，准确率达到90%python源码 - 不懂运行，下载完可以私聊问，可远程教学 该资源内项目源码是个人的毕设，代码都测试ok，都是...
基于lstm和Gan的以歌词为输入的旋律生成系统内包含预训练模型以及预处理的数据集
05-30
基于lstm和Gan的以歌词为输入的旋律生成系统内包含预训练模型以及数据集
LSTM进行时间序列预测还有哪些创新点，有什么推荐的好发论文的模型和代码？
2302_81053261的博客
01-07 1048
具体来说，我们把连续的几个时间步的数据作为一个输入序列，将该序列的下一时刻对应的数据作为该序列的输出。例如，对于一个输入序列x，其对应的输出为y，则x和y分别被用于LSTM网络的输入和目标输出。接下来，我们训练LSTM模型，进行预测，并反归一化预测结果。LSTM是一种长短期记忆神经网络，它可以对时间序列数据进行分析和预测，相较于传统时间序列模型，LSTM具有更好的表现。经过100个epoch的训练，每一次epoch使用的学习率（learning rate）为0.01，可以得到一个训练有素的LSTM模型。
用LSTM实现文本生成和生成对抗网络(GAN)
禅与计算机程序设计艺术
07-18 3069
作者：禅与计算机程序设计艺术 近年来，深度学习在各种各样的领域都取得了巨大的成功。自从计算机在图像处理、自然语言处理、生物信息等领域获得突破性进展之后，深度学习也逐渐应用于其他领域，例如，在音频、视频、推荐系统、金融领域，也取得了惊人的成果。其中，生成模型（Generative model）最具代表性，通过学习数据分布或特征，可以创造新的
LSTM时间序列预测的基础实现原理、改进与创新，教你入门到发表论文！（附高创新算法matlab代码实现）
2302_81053261的博客
05-16 670
例如，如果要预测未来一个时间点的值，可能需要前n个时间点的数据作为输入。：结合正向和反向LSTM，使得模型不仅能够考虑过去的信息，也能捕捉未来的上下文，这对于某些序列预测任务特别有效，比如自然语言处理中的情感分析或时间序列中的趋势预测。：将LSTM与其他类型的模型（如卷积神经网络CNN、GRU等）或经典统计模型（如ARIMA）结合，利用各自的优势，提高预测精度。根据优化算法的规则（如WOA中的追捕、围攻等行为，或是贝叶斯优化中的置信区间更新），更新种群或代理点，生成新的超参数配置。
LSTM模型与GAN模型结合生成音乐和弦
06-01
LSTM（长短时记忆网络）模型与GAN（生成对抗网络）模型结合生成音乐和弦的方法是一种非常有趣的研究方向。这种方法的核心思想是将LSTM模型用于生成音乐的音符序列，然后将生成的音符序列输入到GAN模型中，以生成更加真实和多样化的音乐和弦。 具体来说，首先需要使用LSTM模型生成一些音乐的音符序列，然后将这些序列输入到GAN模型中。GAN模型将这些序列作为生成器的输入，并尝试生成更加真实的音乐和弦。鉴别器则用于判断生成的音乐和弦是否真实。这个过程是一个反复迭代的过程，在每次迭代中，生成器和鉴别器都会不断地优化自己，以提高生成出的音乐和弦的质量。 需要注意的是，这种方法需要大量的训练数据和计算资源，才能够得到较好的效果。同时，对于生成器和鉴别器的设计也需要进行一定的调参和优化，以提高生成的音乐和弦的质量和多样性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值