顶刊风向标！Attention+LSTM+特征融合制霸中科院一区！

Attention+LSTM+特征融合，时间序列预测的主流方法之一。这种结合的优势在于动态特征筛选与多源数据整合能力，特别适合处理复杂时序关系，在工业预测、金融股价预测等应用场景如鱼得水。

这方向目前也是中科院一区常客，比如ESWA上的CIR-DFENet框架、Energy and AI上的DGL-STFA、EAAI上的GD-CAF 模型...我从中挑选了14篇Attention+LSTM+特征融合新论文，整理好了原文PDF和代码，方便需要参考的同学找idea。

如果实在没思路，可以考虑往跨领域迁移、多模态融合、轻量化设计等突破，这方向创新性强、实验结果显著，感兴趣的同学抓紧冲了。

全部论文+开源代码需要的同学看文末

Multi-scale Quaternion CNN and BiGRU with Cross Self-attention Feature Fusion for Fault Diagnosis of Bearing

方法：论文提出了一种基于多尺度四元数卷积神经网络、双向门控循环单元和交叉自注意力特征融合的轴承故障诊断模型。该模型通过MQCNN提取多尺度特征，利用CSAFF增强特征融合效果，并借助BiGRU捕捉时间依赖性，最终实现高精度的故障分类。

创新点：

• 设计了多尺度四元数卷积模块，能够提取信号中更丰富的多尺度特征。

• 提出交叉自注意力特征融合模块，增强多尺度特征之间的交互和判别能力。

• 通过MQCNN、CSAFF和BiGRU的协同作用，实现从原始信号到故障分类的端到端诊断，具有高精度和强鲁棒性。

Attention-Based Acoustic Feature Fusion Network for Depression Detection

方法：论文提出了一种基于注意力机制和LSTM的声学特征融合网络，用于抑郁症检测。该模型融合了四种声学特征，通过权重调整模块进行特征融合，并利用LSTM和注意力机制处理时间序列信息，从而有效提升抑郁症检测的准确性和可靠性。

创新点：

• 提出了新颖的声学特征融合网络ABAFnet，结合四种声学特征并引入权重调整模块，实现多特征的动态融合。

• 引入注意力机制和LSTM，有效处理声学特征中的时间序列信息，增强模型对抑郁症的检测能力。

• 在两个临床语音数据库上验证了模型的有效性，显著提升了抑郁症检测和亚型分类的性能。

CIPF: Crossing Intention Prediction Network based on Feature Fusion Modules for Improving Pedestrian Safety

方法：论文提出了一种基于特征融合模块的行人横穿意图预测网络CIPF，通过将行人和车辆的八种输入特征分别输入到三个模块，并利用GRU层和注意力机制进行时间序列处理和特征聚焦，最终实现了高效的特征融合和准确的行人横穿意图预测。

创新点：

• 提出CIPF网络，融合行人和车辆的八种特征，通过三个模块分别处理非视觉和视觉特征，实现高效特征融合。

• 入注意力机制和GRU层，聚焦关键特征并处理时间序列信息，提升预测精度。

• 在PIE数据集上达到91%的准确率，显著优于现有方法，并通过实验验证了特征和编码器的有效性。

Audio-Visual Fusion for Emotion Recognition in the Valence-Arousal Space Using Joint Cross-Attention

方法：论文提出了一种基于联合交叉注意力的音频-视觉融合模型，用于情感识别。该模型通过深度学习提取音频和视觉特征，并利用JCA机制同时捕捉模态内和模态间的关系，同时结合多种特征提取网络进行特征融合，最终通过全连接层预测情感的愉悦度和唤醒度。

创新点：

• 提出联合交叉注意力模型，同时捕捉音频和视觉模态的内在及相互关系。

• 结合多种特征提取网络进行融合，提升情感识别能力。

• 在两个数据集上验证，模型优于现有方法，尤其在处理噪声或缺失模态时表现更好。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“222”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏