无线网络流量分布具有空间上和时间上的特征，针对传统预测方法对流量分布空间特征的利用不足问题，提出三维卷积神经网络(3D-CNN)和长短期记忆网络(LSTM)相结合的无线网络流量预测模型。首先通过3D-CNN挖掘流量数据的局部时空关联性，并利用空间注意力机制完善全局空间关联的提取；然后使用LSTM模型对抽象时空特征进行训练，并加入了注意力机制缓解循环神经网络的遗忘现象带来的信息损耗。运用此方法对"意大利电信大数据挑战赛"的公开数据集进行训练，其均方根误差(RMSE)和平均绝对误差(MAE)分别降至5.17和3.32,明显优于其他对比预测模型。

本文提出了一种基于增强型LSTM神经网络(A-LSTM)的数字预失真线性化模型，以更好的补偿5G宽带射频功放的动态非线性特性。模型的输入层在引入延迟抽头模拟功放线性记忆效应的基础上，对每一个延迟抽头进行非线性级数展开用于补偿功放的非线性记忆效应，从而更好地抑制功放的动态非线性失真导致的带内失真以及带外频谱扩展等问题。为验证模型的有效性，本文采用100MHz的5GNR信号作为测试信号，对一个中心频率为2.6GHz的5G射频功放进行数字预失真线性化实验。实验结果表明，基于增强型LSTM神经网络数字预失真器的带外抑制可达16dB,相比于其他几种预失真器展现出更好的线性化效果，验证了基于增强型LSTM神经网络数字预失真器的有效性。

为提高对虾饲料的利用率，减少养殖成本，提高养殖效益，提出了一种基于自注意力机制(self-attention, ATTN)和卷积神经网络(convolutional neural network, CNN)-长短期记忆网络(long short term memory, LSTM)的对虾投饵量预测模型(CNN-LSTM-ATTN),以水温、溶解氧、对虾的数量与质量作为预测模型的输入数据，通过CNN挖掘输入数据间的内在联系，提取出数据特征信息，利用LSTM的长期记忆能力保存数据特征信息，使用ATTN突出不同时间节点数据特征的重要性，进一步提升模型的性能。结果表明，本研究中提出的CNN-LSTM-ATTN预测模型的均方根误差、平均绝对误差和平均绝对百分误差分别为0.816、0.681和0.018,均小于BP(back propagation)神经网络、LSTM和CNN-LSTM 3个基准模型，其模型预测能力和稳定性优于其他模型。研究表明，本研究中构建的模型能较好地实现对虾投饵量的准确预测，可为对虾养殖投饵量的管理调控提供参考依据。

为解决渔业标准命名实体识别任务中部分实体语料分布稀疏导致的效果不佳问题,提出了基于多元组合数据增广(data augmentation method based on multiple combination, MCA)的渔业标准命名实体识别方法,该方法融合了基于领域词典的联合替换算法(joint replacement algorithm based on domain dictionary, DDR)、基于槽点保护的随机删除算法(random deletion algorithm based on slot protection, SPD)和基于槽点保护的随机插入算法(random insertion algorithm based on slot protection, SPI)进行语料库的数据增广,首先构建"水产品名称"同类词词典和领域同义词词典,通过两个词典分别对"水产品名称"类实体和随机词进行同类词替换和同义词替换,生成新的句子,以增加目标实体数量和句子的多样性,然后在基于槽点保护的情况下对原句子分别进行随机删除和随机插入操作,在保留实体及上下文特征的情况下进一步丰富语料的多样性,提高模型的泛化能力。结果表明,采用基于融合注意力机制的BERT+BiLSTM+CRF网络模型和多元组合数据增广方法进行渔业标准命名实体识别,准确率、召回率、F1值分别达到了91.73%、88.64%、90.16%,具有较好的效果。研究表明,基于多元组合数据增广的渔业标准命名实体识别方法有效解决了部分实体样本稀疏问题,提升了渔业标准命名实体识别的整体效果。

随着城市化进程的不断加快和人们绿色出行意识的增强，公交车逐渐成为大多数市民上班出行的首选交通工具。然而与高铁飞机等交通工具相比，公交车安全监测系统仍不够健全，可能会发生自燃、侧翻、胎压失衡等突发情况。基于此，本项目研究了一种多传感器网络与深度学习技术相融合的公交车智能安全监测系统，旨在及时发现公交车安全隐患，降低危险事故发生率，保证乘客生命安全，提高公交安全水平。

智能电网的发展促进电力行业发生巨大变革，在智能电表及大数据技术的应用下，我国对于用电量的预测结果也越来越准确。本研究尝试建立LSTM神经网络分析模型，为用电量预测提供一种思路，结果表明这一模型的准确性良好，值得推广。

金融市场预测是金融领域的一项至关重要的任务，因为它对投资者、政府和金融机构产生直接的影响.金融市场受多种因素的影响，包括宏观经济数据、政策变化、地缘政治事件、市场心理和技术因素。这种多样性增加了金融预测的复杂性，本文运用LSTM模型对金融市场数据进行预测，体现了深度学习在金融市场领域的前景和潜力。