LSTM模型是一种用于处理时序数据的深度学习模型，它能够有效地捕捉时间上的依赖关系。然而，在一些应用场景中，单纯使用LSTM模型可能无法达到预期的效果，这时候可以考虑在LSTM模型后增加Dense（全连接）层来进一步提高模型性能。

增加Dense层的主要目的是为了增加非线性变换，由于LSTM本身已经具有非线性的特性，所以Dense层通常被用于进一步增强LSTM模型的非线性能力。具体来说，Dense层通常采用ReLU等激活函数来引入非线性，从而使得模型能够更好地适应复杂的时间序列数据。

此外，增加Dense层还可以帮助LSTM模型更好地解决一些问题。例如，当输入序列长度较长时，LSTM模型可能会出现过拟合的问题，此时可以添加Dropout或者L2正则化等方式进行防止过拟合。然而，这些方法都需要通过增加网络结构来实现，而Dense层则可以直接进行相应的正则化，从而减少过拟合的发生。

另外一个值得注意的问题是，增加Dense层可以帮助LSTM模型更好地处理多分类问题。在LSTM模型中，通常采用Softmax作为最后一层的激活函数来进行分类，但是这种方法仅适用于输出类别数量较少的情况。如果要处理大量不同的类别，就需要使用更加灵活的分类器。这时，可以将LSTM模型的输出送入一个Dense层，再使用Softmax等激活函数进行分类，这样可以有效地提高分类器的性能。

总之，增加Dense层可以帮助LSTM模型更好地处理复杂的时间序列数据，并且可以通过正则化、处理多分类问题等方式进一步提高模型性能。然而，在实际应用中，需要根据具体的问题以及数据情况来选择是否增加Dense层，以及如何设置Dense层的参数和结构。