cnn-lstm介绍（2）

1. CNN-LSTM模型。CNN具有注意最明显的特征，因此在特征工程中得到了广泛的应用。LSTM有，按时间顺序扩张的特性，广泛应用于时间序列中。

根据CNN和LSTM股票预测模型的特点

建立了基于CNN的LSTM模型-e模型结构

 

示意图如图1所示，主要结构为CNN和LSTM，包括输入层、一维卷积层、池层、LSTM隐藏层和全隐层,连接层。

2. CNN。CNN是Lecun等人提出的一种网络模型。

1998年。CNN是一种前馈神经网络，

在图像处理和图像处理方面具有良好的性能自然语言处理。

可有效应用时间序列的预测-e.当地感知和CNN的权值共享可以大大减少网络的数量

从而提高了模型学习的效率. CNN主要由两部分组成：卷积层和池层。每个卷积层包含一个

复数卷积核及其计算公式

 

如式（1）所示。在卷积运算之后复杂度在卷积层，提取数据的特征，

但是提取出来的特征维数很高，所以

为了解决这一问题，降低培训成本

在网络中，在卷积后加入一个池层

图层以减少特征尺寸：

3. LSTM。1997年。LSTM是一种网络模型,LSTM是一种由Schmidhuber等人，

设计用于解决梯度的长期问题

RNN中的爆炸和梯度消失。

广泛应用于语音识别、情感分析等领域，

因为它有自己的记忆，可以相对准确的预测。近年来，它也被应用于股票市场预测领域标准中只有一个重复模块RNN，内部结构简单。然而，四个LSTM模块与

标准RNN模块，并且它们以特殊的方式运行 LSTM内存单元由

三部分：遗忘门，输入门，