【LSTM】基于Matlab的LSTM模型建模（代码）

已于 2024-05-24 22:22:59 修改
阅读量1k 收藏 5
点赞数 3
文章标签： lstm matlab 机器学习
于 2024-05-24 21:53:55 首次发布
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/RickyWasYoung/article/details/139185327
版权

训练目标：用LSTM训练数据
数据：随时间递增，患者患病的概率（横坐标1个单位代表1个时间单位）

以下代码可直接运行

clc
clear
close all
warning off             % 关闭报警信息
%% 1.数据操作
%  1.1.导入数据（时间序列的单列数据）
result=[0.491920000000000;0.493110000000000;0.493500000000000;0.493130000000000;0.493030000000000;0.493300000000000;0.494200000000000;0.493710000000000;0.496820000000000;0.517990000000000;0.520820000000000;0.519940000000000;0.526180000000000;0.539890000000000;0.539940000000000;0.544180000000000;0.546260000000000;0.548060000000000;0.546630000000000;0.555100000000000;0.563040000000000;0.579750000000000;0.565900000000000;0.563570000000000;0.564210000000000;0.560570000000000;0.558160000000000;0.561030000000000;0.561560000000000;0.560440000000000;0.558830000000000;0.559350000000000;0.560960000000000;0.563650000000000;0.563540000000000;0.567910000000000;0.575060000000000;0.583420000000000;0.601880000000000;0.601530000000000;0.606360000000000;0.606550000000000;0.630050000000000;0.620690000000000;0.614940000000000;0.603100000000000;0.607630000000000;0.603300000000000;0.599720000000000;0.598090000000000;0.593870000000000;0.588400000000000;0.585860000000000;0.585130000000000;0.582710000000000;0.582340000000000;0.583140000000000;0.583010000000000;0.587090000000000;0.585560000000000;0.583510000000000;0.582330000000000;0.581860000000000;0.582250000000000;0.581560000000000;0.581720000000000;0.581850000000000;0.581700000000000;0.581640000000000;0.581730000000000;0.581750000000000;0.582010000000000;0.582300000000000;0.582010000000000;0.581950000000000;0.581610000000000;0.581560000000000;0.581350000000000;0.581390000000000;0.581390000000000;0.581460000000000;0.578030000000000;0.575260000000000;0.575350000000000;0.574720000000000;0.574490000000000;0.574030000000000;0.573920000000000;0.573570000000000;0.573930000000000;0.573110000000000;0.569010000000000;0.567140000000000;0.564360000000000;0.562870000000000;0.547610000000000;0.552310000000000;0.549870000000000;0.550070000000000;0.550230000000000;0.547310000000000;0.542390000000000;0.534440000000000;0.526430000000000;0.517120000000000;0.519210000000000;0.518710000000000;0.513420000000000;0.513700000000000;0.516800000000000;0.515670000000000;0.514780000000000;0.515900000000000;0.518920000000000;0.523500000000000;0.529110000000000;0.533660000000000;0.534560000000000;0.534840000000000;0.544520000000000;0.548930000000000;0.547530000000000;0.550070000000000;0.551520000000000;0.551900000000000;0.548020000000000;0.548340000000000;0.545510000000000;0.542860000000000;0.539040000000000;0.534920000000000;0.530500000000000;0.527860000000000;0.521330000000000;0.518660000000000;0.514010000000000;0.509850000000000;0.518760000000000;0.515490000000000;0.515520000000000;0.511880000000000;0.507600000000000;0.506950000000000;0.505560000000000;0.503360000000000;0.501310000000000;0.491530000000000;0.492310000000000;0.506920000000000;0.511040000000000;0.515040000000000;0.514190000000000;0.512240000000000;0.506010000000000;0.498760000000000;0.492790000000000;0.494370000000000;0.497710000000000;0.499380000000000;0.500720000000000;0.503000000000000;0.499770000000000;0.499120000000000;0.498010000000000;0.494530000000000;0.492070000000000;0.490980000000000;0.491880000000000;0.486550000000000;0.482350000000000;0.478690000000000;0.481420000000000;0.486600000000000;0.483140000000000;0.485200000000000;0.486450000000000;0.487920000000000;0.484740000000000;0.482780000000000;0.477770000000000;0.470000000000000;0.462320000000000;0.452610000000000;0.449950000000000;0.440330000000000;0.431450000000000;0.440030000000000;0.448320000000000;0.448890000000000;0.450310000000000;0.444580000000000;0.445540000000000;0.451420000000000;0.464090000000000;0.458530000000000;0.457430000000000;0.462820000000000;0.464640000000000;0.472200000000000;0.481920000000000;0.479030000000000;0.469390000000000;0.460680000000000;0.459740000000000;0.456930000000000;0.456570000000000;0.454550000000000;0.449380000000000;0.446460000000000;0.442270000000000;0.439160000000000;0.439590000000000;0.442490000000000;0.435250000000000;0.433820000000000;0.438930000000000;0.438690000000000;0.447310000000000;0.449910000000000;0.456990000000000;0.458640000000000;0.465590000000000;0.459120000000000;0.452850000000000;0.443170000000000;0.441500000000000;0.438940000000000;0.436990000000000;0.431910000000000;0.424760000000000;0.430160000000000;0.427400000000000;0.428270000000000;0.427210000000000;0.424490000000000;0.420810000000000;0.421140000000000;0.418800000000000;0.424450000000000;0.423260000000000;0.421040000000000;0.422550000000000;0.419320000000000;0.413910000000000;0.415110000000000;0.418610000000000;0.416820000000000;0.418680000000000;0.417220000000000;0.414720000000000;0.410470000000000;0.410220000000000;0.410460000000000;0.415340000000000;0.420080000000000;0.424610000000000;0.426650000000000;0.428930000000000;0.429900000000000;0.422950000000000;0.419840000000000;0.415020000000000;0.417300000000000;0.414550000000000;0.417120000000000;0.426030000000000;0.430160000000000;0.438500000000000;0.449040000000000;0.455390000000000;0.450630000000000;0.442190000000000;0.444520000000000;0.449320000000000;0.456670000000000;0.463000000000000;0.460970000000000;0.465340000000000;0.473150000000000;0.480470000000000;0.481410000000000;0.484040000000000;0.501350000000000;0.512490000000000;0.502950000000000;0.506600000000000;0.523500000000000;0.529070000000000;0.532140000000000;0.538260000000000;0.538910000000000;0.556210000000000;0.557800000000000;0.542430000000000;0.542970000000000;0.543120000000000;0.558870000000000;0.547000000000000;0.551350000000000;0.554080000000000;0.533670000000000;0.541600000000000;0.548510000000000;0.547460000000000;0.533460000000000;0.529090000000000;0.524910000000000;0.519110000000000;0.513990000000000;0.523360000000000;0.531840000000000;0.530700000000000;0.525780000000000;0.520660000000000;0.534100000000000;0.531300000000000;0.535090000000000;0.536950000000000;0.540470000000000;0.542610000000000;0.545830000000000;0.548130000000000;0.553070000000000;0.553920000000000;0.556190000000000;0.560570000000000;0.568670000000000;0.567120000000000;0.563730000000000;0.560180000000000;0.551870000000000;0.546230000000000;0.555360000000000;0.556180000000000;0.557860000000000;0.562760000000000;0.571520000000000;0.578350000000000;0.577720000000000;0.582280000000000;0.579830000000000;0.571850000000000;0.572100000000000;0.577450000000000;0.588550000000000;0.581540000000000;0.570350000000000;0.580370000000000;0.580630000000000;0.585510000000000;0.584050000000000;0.590000000000000;0.590300000000000;0.584600000000000;0.587830000000000;0.594780000000000;0.597830000000000;0.603780000000000;0.619160000000000;0.627030000000000;0.613980000000000;0.617240000000000;0.620570000000000;0.623700000000000;0.618400000000000;0.618670000000000;0.632310000000000;0.634660000000000;0.649350000000000;0.657350000000000;0.649250000000000;0.647890000000000;0.654770000000000;0.662730000000000;0.663750000000000;0.664650000000000;0.682750000000000;0.681650000000000;0.664860000000000;0.649870000000000;0.645800000000000;0.639220000000000;0.634110000000000;0.638150000000000;0.642500000000000;0.631970000000000;0.631250000000000;0.635560000000000;0.653930000000000;0.651470000000000;0.652590000000000;0.650590000000000;0.654460000000000;0.657290000000000;0.656220000000000;0.667190000000000;0.673240000000000;0.661900000000000;0.658900000000000;0.667880000000000;0.669440000000000;0.668110000000000;0.664600000000000;0.666930000000000;0.671470000000000;0.665430000000000;0.666580000000000;0.668040000000000;0.671790000000000;0.672500000000000;0.675660000000000;0.681920000000000;0.685250000000000;0.693360000000000;0.704380000000000;0.702430000000000;0.693650000000000;0.706050000000000;0.713330000000000;0.707970000000000;0.712950000000000;0.707080000000000;0.706040000000000;0.693340000000000;0.687040000000000;0.674400000000000;0.678960000000000;0.685600000000000;0.696410000000000;0.691640000000000;0.699000000000000;0.698750000000000;0.704670000000000;0.710290000000000;0.712730000000000;0.722190000000000;0.719400000000000;0.722420000000000;0.719630000000000;0.715720000000000;0.722510000000000;0.730600000000000;0.739300000000000;0.751700000000000;0.762520000000000;0.756560000000000;0.755640000000000;0.763110000000000;0.762040000000000;0.758280000000000;0.762220000000000;0.763190000000000;0.779590000000000;0.785660000000000;0.809540000000000;0.806740000000000;0.804970000000000;0.814850000000000;0.834480000000000;0.822580000000000;0.816410000000000;0.788810000000000;0.792560000000000;0.810850000000000;0.832280000000000;0.830430000000000;0.835600000000000;0.849000000000000;0.856660000000000;0.867680000000000;0.878970000000000;0.895190000000000;0.896600000000000;0.892060000000000;0.898690000000000;0.913530000000000;0.922270000000000;0.935610000000000;0.938890000000000;0.921270000000000;0.869760000000000;0.826410000000000;0.828530000000000;0.815750000000000;0.779670000000000;0.809480000000000;0.816780000000000;0.821870000000000;0.792000000000000;0.789300000000000;0.787830000000000;0.785480000000000;0.789820000000000;0.775390000000000;0.772650000000000;0.762180000000000;0.728890000000000;0.715260000000000;0.712710000000000;0.713220000000000;0.739190000000000;0.719260000000000;0.715430000000000;0.715060000000000;0.736560000000000;0.759460000000000;0.743740000000000;0.700780000000000;0.706900000000000;0.708020000000000;0.706430000000000;0.700290000000000;0.695900000000000;0.700140000000000;0.703770000000000;0.695410000000000;0.678490000000000;0.674730000000000;0.696070000000000;0.700300000000000;0.699190000000000;0.692950000000000;0.692300000000000;0.694570000000000;0.716960000000000;0.711960000000000;0.719450000000000;0.707630000000000;0.692490000000000;0.678380000000000;0.688180000000000;0.686310000000000;0.674950000000000;0.677400000000000;0.683160000000000;0.683610000000000;0.665430000000000;0.655030000000000;0.648620000000000;0.649220000000000;0.650990000000000;0.663280000000000;0.669970000000000;0.671100000000000;0.658980000000000;0.664310000000000;0.659560000000000;0.648940000000000;0.657190000000000;0.666020000000000;0.670540000000000;0.672520000000000;0.677190000000000;0.671770000000000;0.668180000000000;0.674410000000000;0.668040000000000;0.675910000000000;0.677610000000000;0.692380000000000;0.694410000000000;0.699730000000000;0.696180000000000;0.700950000000000;0.710600000000000;0.703620000000000;0.699770000000000;0.703980000000000;0.701310000000000;0.698180000000000;0.702390000000000;0.698860000000000;0.688420000000000;0.676940000000000;0.678220000000000;0.666080000000000;0.656860000000000;0.653630000000000;0.658250000000000;0.656530000000000;0.654030000000000;0.649010000000000;0.636560000000000;0.630800000000000;0.625640000000000;0.621790000000000;0.622430000000000;0.617970000000000;0.613470000000000;0.610800000000000;0.601640000000000;0.594810000000000;0.598480000000000;0.595160000000000;0.615230000000000;0.612410000000000;0.604500000000000;0.613810000000000;0.622020000000000;0.620760000000000;0.618260000000000;0.617480000000000;0.625090000000000;0.626490000000000;0.634950000000000;0.634240000000000;0.619360000000000;0.615270000000000;0.607310000000000;0.605570000000000;0.607800000000000;0.609030000000000;0.614830000000000;0.610600000000000;0.603480000000000;0.601690000000000;0.585820000000000;0.568740000000000;0.563040000000000;0.565430000000000;0.558210000000000;0.551860000000000;0.551920000000000;0.545770000000000;0.547080000000000;0.535890000000000;0.547430000000000;0.552190000000000;0.559520000000000;0.563260000000000;0.567380000000000;0.570850000000000;0.572400000000000;0.566170000000000;0.564120000000000;0.543380000000000;0.543060000000000;0.545270000000000;0.533060000000000;0.532580000000000;0.537240000000000;0.527550000000000;0.533110000000000;0.535540000000000;0.530660000000000;0.535040000000000;0.536640000000000;0.551380000000000;0.551790000000000;0.558320000000000;0.567050000000000;0.585720000000000;0.584990000000000;0.593260000000000;0.585620000000000;0.581670000000000;0.585820000000000;0.589620000000000;0.586620000000000;0.593590000000000;0.594590000000000;0.587800000000000;0.593750000000000;0.596710000000000;0.594860000000000;0.589590000000000;0.575720000000000;0.569790000000000;0.568050000000000;0.564350000000000;0.560920000000000;0.551080000000000;0.545250000000000;0.540760000000000;0.539080000000000;0.547160000000000;0.553760000000000;0.556280000000000;0.555050000000000;0.563650000000000;0.568130000000000;0.565330000000000;0.570910000000000;0.572890000000000;0.565760000000000;0.570300000000000;0.577430000000000;0.581640000000000;0.582150000000000;0.581820000000000;0.591080000000000;0.588700000000000;0.590120000000000;0.583080000000000;0.590050000000000;0.594930000000000;0.600420000000000;0.615200000000000;0.634030000000000;0.635550000000000;0.636160000000000;0.657160000000000;0.643990000000000;0.643770000000000;0.621070000000000;0.615170000000000;0.616980000000000;0.610010000000000;0.606910000000000;0.620190000000000;0.635960000000000;0.634980000000000;0.635970000000000;0.646780000000000;0.645700000000000;0.634560000000000;0.619990000000000;0.621920000000000;0.643390000000000;0.630660000000000;0.625400000000000;0.635180000000000;0.632240000000000;0.633940000000000;0.639710000000000;0.639080000000000;0.636150000000000;0.625910000000000;0.622040000000000;0.617490000000000;0.616620000000000;0.602820000000000;0.606260000000000;0.605550000000000;0.595060000000000;0.589950000000000;0.590340000000000;0.584500000000000;0.595990000000000;0.610700000000000;0.620350000000000;0.623400000000000;0.613260000000000;0.610620000000000;0.610070000000000;0.611150000000000;0.611570000000000;0.607930000000000;0.597150000000000;0.593580000000000;0.591350000000000;0.592790000000000;0.593870000000000;0.587850000000000;0.580410000000000;0.575180000000000;0.562600000000000;0.554110000000000;0.551600000000000;0.549230000000000;0.539720000000000;0.534340000000000;0.526720000000000;0.517330000000000;0.518000000000000;0.527950000000000;0.535200000000000;0.530910000000000;0.533640000000000;0.524540000000000;0.507960000000000;0.510780000000000;0.512240000000000;0.513040000000000;0.507500000000000;0.509500000000000;0.507830000000000;0.509980000000000;0.517850000000000;0.515030000000000;0.521670000000000;0.529150000000000;0.516060000000000;0.523480000000000;0.522030000000000;0.511430000000000;0.508400000000000;0.502780000000000;0.503380000000000;0.512300000000000;0.522580000000000;0.529280000000000;0.540410000000000;0.560960000000000;0.571760000000000;0.563840000000000;0.561370000000000;0.564700000000000;0.589710000000000;0.585490000000000;0.583510000000000;0.576030000000000;0.578100000000000;0.579330000000000;0.591360000000000;0.605690000000000;0.614760000000000;0.612650000000000;0.621790000000000;0.615130000000000;0.601890000000000;0.593610000000000;0.594690000000000;0.586180000000000;0.593260000000000;0.600960000000000;0.594320000000000;0.590320000000000;0.577900000000000;0.576470000000000;0.575320000000000;0.571960000000000;0.581270000000000;0.584080000000000;0.583910000000000;0.577220000000000;0.563670000000000;0.564300000000000;0.556890000000000;0.562090000000000;0.560180000000000;0.552560000000000;0.545880000000000;0.532640000000000;0.538390000000000;0.540820000000000;0.562580000000000;0.555160000000000;0.559280000000000;0.551700000000000;0.558200000000000;0.569850000000000;0.570620000000000;0.577840000000000;0.582420000000000;0.581550000000000;0.579550000000000;0.576740000000000;0.569680000000000;0.569260000000000;0.568820000000000;0.562650000000000;0.559010000000000;0.551890000000000;0.547190000000000;0.550320000000000;0.547830000000000;0.543580000000000;0.538010000000000;0.532670000000000;0.523640000000000;0.522400000000000;0.517920000000000;0.523840000000000;0.520690000000000;0.521070000000000;0.519510000000000;0.516620000000000;0.503430000000000;0.501560000000000;0.507790000000000;0.550220000000000;0.584630000000000;0.571750000000000;0.587570000000000;0.589820000000000;0.616920000000000;0.634770000000000;0.648740000000000;0.654930000000000;0.656780000000000;0.658470000000000;0.647710000000000;0.635390000000000;0.637160000000000;0.650110000000000;0.661010000000000;0.652260000000000;0.649150000000000;0.650230000000000;0.656720000000000;0.691870000000000;0.701090000000000;0.693680000000000;0.694180000000000;0.690760000000000;0.696150000000000;0.685530000000000;0.673900000000000;0.663490000000000;0.657650000000000;0.646610000000000;0.646040000000000;0.634500000000000;0.637570000000000;0.651480000000000;0.649040000000000;0.646080000000000;0.648770000000000;0.657860000000000;0.660850000000000;0.677380000000000;0.666280000000000;0.667600000000000;0.672070000000000;0.664990000000000;0.670610000000000;0.668150000000000;0.678570000000000;0.666570000000000;0.667400000000000;0.665700000000000;0.646990000000000;0.648570000000000;0.659220000000000;0.662910000000000;0.656360000000000;0.657800000000000;0.672060000000000;0.674700000000000;0.674810000000000;0.677170000000000;0.675510000000000;0.673970000000000;0.673180000000000;0.668810000000000;0.671860000000000];
%  1.2.数据分析
num_samples = length(result);  % 样本个数 
kim = 15;                      % 延时步长（kim个历史数据作为自变量）
zim =  5;%1;                      % 跨zim个时间点进行预测

%  1.3.划分数据集
%得到数据集大小：length(result)-kim-zim+1行，kim+zim+1列
for i = 1: num_samples - kim - zim + 1
    res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end
%  1.4.数据集分析
outdim = 1;                                  % 最后一列为输出
num_size = 0.7;                              % 训练集占数据集比例，0到1之间
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_dim = size(res, 2) - outdim;                  % 输入特征维度
%  1.5.划分训练集和测试集
P_train = res(1: num_train_s, 1: f_dim)';%取前num_train_s比例的数据构成训练集
T_train = res(1: num_train_s, f_dim + 1: end)';%取后(1-num_train_s)比例的数据构成测试集
M = size(P_train, 2);

P_test = res(num_train_s + 1: end, 1: f_dim)';
T_test = res(num_train_s + 1: end, f_dim + 1: end)';
N = size(P_test, 2);
%% 2.模型训练+回归
%  2.1.数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);

[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);

%  2.2.数据平铺
% 将数据平铺成1维数据只是一种处理方式
% 也可以平铺成2维数据，以及3维数据，需要修改对应模型结构
% 但是应该始终和输入层数据结构保持一致
P_train =  double(reshape(P_train, f_dim, 1, 1, M));
P_test  =  double(reshape(P_test , f_dim, 1, 1, N));

t_train = t_train';
t_test  = t_test' ;

%  2.3.数据格式转换
for i = 1 : M
    p_train{i, 1} = P_train(:, :, 1, i);
end

for i = 1 : N
    p_test{i, 1}  = P_test( :, :, 1, i);
end

%  2.4.创建模型
layers = [
    sequenceInputLayer(f_dim)              % 建立输入层
    
    lstmLayer(10, 'OutputMode', 'last') % LSTM层
    reluLayer                           % Relu激活层
    
    fullyConnectedLayer(1)              % 全连接层
    regressionLayer];                   % 回归层

%  2.5.参数设置
% options = trainingOptions('adam', ...       % Adam 梯度下降算法
%     'MaxEpochs', 1200, ...                  % 最大训练次数
%     'InitialLearnRate', 5e-3, ...           % 初始学习率
%     'LearnRateSchedule', 'piecewise', ...   % 学习率下降
%     'LearnRateDropFactor', 0.1, ...         % 学习率下降因子
%     'LearnRateDropPeriod', 800, ...         % 经过 800 次训练后 学习率为 0.005 * 0.1
%     'Shuffle', 'every-epoch', ...           % 每次训练打乱数据集
%     'Plots', 'training-progress', ...       % 画出曲线
%     'Verbose', false);
options = trainingOptions('adam', ...                 % 优化算法Adam
    'MaxEpochs', 300, ...                             % 最大训练次数
    'GradientThreshold', 1, ...                       % 梯度阈值
    'InitialLearnRate', 5e-3, ...                     % 初始学习率
    'LearnRateSchedule', 'piecewise', ...             % 学习率调整
    'LearnRateDropPeriod', 250, ...                   % 训练250次后开始调整学习率
    'LearnRateDropFactor',0.1, ...                    % 学习率调整因子
    'L2Regularization', 1e-4, ...                     % 正则化参数
    'ExecutionEnvironment', 'auto',...                % 训练环境
    'Verbose', false, ...                                 % 关闭优化过程
    'Plots', 'training-progress');                    % 画出曲线
%  2.6.训练模型
net = trainNetwork(p_train, t_train, layers, options);

%  2.7.仿真预测
t_sim1 = predict(net, p_train);
t_sim2 = predict(net, p_test );

%  2.8.数据反归一化，得到预测结果
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);
%% 3.结果分析+误差计算
%  3.1.均方根误差
error1 = sqrt(sum((T_sim1' - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2' - T_test ).^2) ./ N);

%  3.2.查看网络结构
analyzeNetwork(net)

%  3.3.绘图
figure(1)
plot(1: M, T_train, 'r-')
hold on
plot(1: M, T_sim1, 'b-')%, 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]};
title(string)
xlim([1, M])
grid

figure(2)
plot(1: N, T_test, 'r-')
hold on
plot(1: N, T_sim2, 'b-', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['RMSE=' num2str(error2)]};
title(string)
xlim([1, N])
grid

%  3.4.相关指标计算
% R2
R1 = 1 - norm(T_train - T_sim1')^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test  - T_sim2')^2 / norm(T_test  - mean(T_test ))^2;

disp(['训练集数据的R2为：', num2str(R1)])
disp(['测试集数据的R2为：', num2str(R2)])

% MAE
mae1 = sum(abs(T_sim1' - T_train)) ./ M ;
mae2 = sum(abs(T_sim2' - T_test )) ./ N ;

disp(['训练集数据的MAE为：', num2str(mae1)])
disp(['测试集数据的MAE为：', num2str(mae2)])

% MBE
mbe1 = sum(T_sim1' - T_train) ./ M ;
mbe2 = sum(T_sim2' - T_test ) ./ N ;

disp(['训练集数据的MBE为：', num2str(mbe1)])
disp(['测试集数据的MBE为：', num2str(mbe2)])

%  MAPE
mape1 = sum(abs((T_sim1' - T_train)./T_train)) ./ M ;
mape2 = sum(abs((T_sim2' - T_test )./T_test )) ./ N ;

disp(['训练集数据的MAPE为：', num2str(mape1)])
disp(['测试集数据的MAPE为：', num2str(mape2)])

%%  4.画图
figure(3)
scatter(T_train, T_sim1,'bo')%
hold on
plot(xlim, ylim, '--k')
xlabel('训练集真实值');
ylabel('训练集预测值');
xlim([min(T_train) max(T_train)])
ylim([min(T_sim1) max(T_sim1)])
title('训练集预测值 vs. 训练集真实值')

figure(4)
scatter(T_test, T_sim2,'bo')%
hold on
plot(xlim, ylim, '--k')
xlabel('测试集真实值');
ylabel('测试集预测值');
xlim([min(T_test) max(T_test)])
ylim([min(T_sim2) max(T_sim2)])
title('测试集预测值 vs. 测试集真实值')
RickyWasYoung
关注
MATLAB之LSTM预测
09-23
matlab深度学习工具箱之LSTM， 采用历史序列进行预测， MATLAB应用实例 直接采用工具箱进行序列预测
RNN-LSTM 卷积神经网络 Matlab 实现，简单的数据拟合.zip
05-10
RNN-LSTM 卷积神经网络 Matlab 实现，简单的数据拟合。 RNN-LSTM 卷积神经网络 Matlab 实现。 RNN-LSTM卷积神经网络Matlab实现 RNN卷积神经网络，LSTM，使用matlab实现，简单的数据拟合 RNN Matlab
MATLAB（4）LSTM模型
最新发布
m0_73399576的博客
08-01 571
MATLAB——LSTM模型篇
LSTM时间序列神经网络预测MATLAB代码
04-25
MATLAB代码，直接运行，可以换数据。
【代码分享】几个具有创新性的时间序列回归预测模型matlab代码，基于LSTM及改进算法
2302_81053261的博客
01-04 1133
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。
【Matlab】SVM支持向量机回归预测算法（附代码）
vvoennvv的博客
07-21 319
SVM（Support Vector Machine）即支持向量机，是一种常见的机器学习算法，被广泛应用于分类和回归问题中。它的主要思想是将训练数据映射到高维空间中，然后在该空间中找到一个最优的超平面来分隔不同类别的样本。SVM 的目标是找到一个最大间隔超平面，即具有最大边际（Margin）的超平面，以保证分类的鲁棒性和泛化能力。在 SVM 中，支持向量是指距离超平面最近的一些样本点，它们对于寻找最大边际超平面起着非常重要的作用。
LSTM-Matlab代码
11-29
LSTM-Matlab代码，Deep Learning, AI,Machine Learning
LSTM_LSTM的matlab实现_lstm代码_LSTM_lstmmatlab_matlablstm
09-11
46数据集为官方数据集；代码略有修改；注：训练集和测试集一定为元胞数组
基于matlab的LSTM模型
ww596520206的博客
01-17 2441
时间序列，一维时间序列，matlab
RNN-LSTM卷积神经网络Matlab实现
12-10
RNN卷积神经网络，LSTM，使用matlab实现，简单的数据拟合
lstm代码matlab-lstm_matlab:lng短期记忆的matlab版本
06-12
lstm代码matlab lstm_matlab 长短期记忆的matlab版本该代码适用于 lstm 模型。 各个文件的作用列举如下： lstmcellsetup.m：为前馈反向传播神经网络创建一个 lstmcell 层。 lstmcellff.m：执行前馈传递。 lstmcellbp.m：执行反向传播。 lstmcellupdate.m：用计算的梯度更新权重和偏差gradientTest.m：测试 lstmcellbp.m 计算的梯度是否正确toyexample：玩具使用代码的例子。
LSTM神经网络MATLAB
12-06
本资源是MATLAB代码，LSTM神经网络，用于预测分类。代码中numdely 是用前numdely个点预测当前点，cell_num是隐含层的数目，cost_gate 是误差的阈值。 直接在命令行输入RunLstm(numdely,cell_num,cost_gate)即可。
lstm代码matlab-Scene-LSTM:“人类轨迹预测模型”的数据和代码（ISVC2019）
06-12
lstm代码matlab 场景-LSTM 此代码/实现可用于研究目的。 如果您在工作中使用此代码/数据，请引用以下论文： Huynh、Manh 和 Gita Alaghband。 “通过将场景 LSTM 与人体运动 LSTM 相结合来预测轨迹。” 视觉计算国际研讨会。 斯普林格，湛，2019 年。 现在代码有点乱，我们正在做一些清理工作。 如果您有任何问题/查询，请发送电子邮件至。 此存储库包含 :check_mark: ETH 和 UCY 数据集的处理数据（以像素和米为单位）。 该数据也用于 SGAN 方法。 ├── data │ ├── pixel/ * .txt │ ├── meter/ * .txt :check_mark: 将像素转换为米，反之亦然的脚本。 仔细检查单应矩阵和输入文件的路径。 ├── data_utils │ ├── homography_matrix/ * .txt │ ├── eth_utils/ * .m (matlab scripts to process eth data) │ ├── data_utils/ * .m (matlab scripts to process ucy data
LSTM1_LSTM_lstmmatlab实现_
10-02
时序循环神经网络lstm的matlab实现代码
基于Matlab的LSTM模型时间序列多步预测——多对单
05-12
LSTM在时间序列预测方面的应用非常广，但有相当一部分没有考虑使用多长的数据预测下一个，类似AR模型中的阶数P。我基于matlab2021版编写了用LSTM模型实现多步预测时间序列的程序代码，可以自己调整使用的数据“阶数”。序列数据是我随机生成的，如果有自己的数据，就可以自己简单改一下代码，读取txt或excel都可以。注意读取后的序列必须命名为行向量。代码最后还提供了误差分析部分，展示了绝对误差、MAE、RMSE、MAPE共4个误差指标，可供参考。代码基于matlab2021版编写，适用于2021版之后的所有版本。
基于MATLAB的LSTM文本分类代码（100%可用含中文注释）
09-05
在本文中，我们将深入探讨基于MATLAB的LSTM（长短期记忆网络）文本分类技术，这是一种强大的深度学习方法，尤其适用于处理序列数据，如自然语言文本。MATLAB作为一个广泛使用的数学计算软件，提供了丰富的工具箱来...
lstm-matlab代码
07-25
下面是使用MATLAB进行LSTM建模和处理的基本描述： 模型构建：在MATLAB中，可以使用深度学习工具箱中的函数和类来构建LSTM模型。可以通过创建一个LSTM层对象并将其与其他网络层组合来定义LSTM模型的架构。例如，可以...
LSTM-MATLAB-master_lstm代码_LSTM_lstmmatlab_LSTMMATLAB代码_LSTM-MATL
09-30
本项目"LSTM-MATLAB-master_lstm代码_LSTM_lstmmatlab_LSTMMATLAB代码_LSTM-MATLAB-master_源码.zip"包含了一套完整的LSTM模型在MATLAB环境中的实现代码。 在MATLAB中构建LSTM模型，主要涉及以下几个关键知识点： ...
基于matlab实现BILSTM
04-14
**正文** 在深度学习领域，双向长短期记忆网络（Bidirectional Long Short-Term ...通过MATLAB提供的强大工具，我们可以在不需要编写底层计算代码的情况下，高效地实现和训练BILSTM模型，从而解决各种序列分析问题。
lstm模型matlab
08-05
LSTM（长短期记忆，Long Short-Term Memory）是一种深度学习模型，主要用于处理序列数据的建模和预测。在Matlab中，可以使用Deep Learning Toolbox中的函数来构建和训练LSTM模型。 首先，我们需要导入数据，准备好用于模型训练的数据集。数据集可以是一个时间序列的数据，例如股票价格或气温。然后，我们可以使用LSTM网络进行训练和预测。 使用Matlab中的Deep Learning Toolbox，我们可以通过调用lstmLayer函数来创建LSTM层。可以指定LSTM层中的神经元数量、输入大小以及其他参数。接下来，我们可以使用其他深度学习函数，如sequenceInputLayer和fullyConnectedLayer，来构建完整的LSTM模型。 在模型构建完成后，我们可以使用trainNetwork函数来训练模型。可以指定epoch数、批量大小和其他训练参数。训练过程会根据指定的训练数据和标签，在模型中进行权重的更新，以优化预测的准确性。 训练完成后，我们可以使用模型对新的输入数据进行预测。可以使用predict函数来对新的序列数据进行预测，并获得LSTM模型的输出结果。 总结来说，LSTM模型在Matlab中的实现主要包括导入数据、构建LSTM模型、训练模型和使用模型进行预测。通过使用Matlab中的Deep Learning Toolbox提供的函数，我们可以方便地搭建、训练和应用LSTM模型，来解决序列数据的建模和预测问题。
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