【LSTM多输入单输出】基于长短期记忆网络的多输入单输出回归预测的MATLAB例程，附下载链接

本文所述的代码示例演示了如何使用长短期记忆网络（LSTM）进行多输入单输出的回归预测。具体功能包括数据生成、预处理、模型构建、训练及性能评估。

代码介绍

主要步骤

1. 数据生成与预处理：

   • 模拟工业传感器数据，包括多个特征和目标值的非线性组合。
   • 对数据进行标准化，以加速模型的收敛速度。

2. 构建LSTM回归模型：

   • 使用LSTM层提取时序特征，并通过Dropout层防止过拟合。
   • 定义全连接层和激活函数，以引入非线性。

3. 数据划分与序列生成：

   • 采用滑动窗口方法将时序数据转换为监督学习格式。

4. 训练参数配置：

   • 使用Adam优化器进行训练，设置学习率调整策略及验证数据。

5. 模型训练与保存：

   • 训练模型并可以选择保存训练好的模型及标准化参数。

6. 预测与反标准化：

   • 使用训练好的模型进行预测，并将结果反标准化以获得实际值。

7. 性能评估：

   • 计算均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）来评估模型性能。

8. 可视化分析：

   • 绘制预测结果与真实值的对比图、误差曲线和误差分布直方图。

相关公式

目标值的非线性组合：
$$y=0.3\cdot x_1+0.5\cdot \tanh (x_2)-0.2\cdot x_3^2$$
其中$x_1,x_2,x_3$是特征矩阵中的不同特征，目标值 (y) 是通过非线性函数组合得到的。

Z-score标准化：
$$X_{norm}=\frac{X-\mu }{\sigma }$$
其中，$\mu$是特征的均值，$\sigma$是标准差。标准化过程确保数据均值为0，标准差为1。

LSTM单元的输出（简化版）：
$$h_t=o_t\odot \tanh (c_t)$$
$$c_t=f_t\odot c_{t-1}+i_t\odot {\tilde{c}}_t$$
$$o_t=\sigma (W_o\cdot [h_{t-1},x_t]+b_o)$$
其中：

• $h_t$ 是当前时刻的隐状态，
• $c_t$是单元状态，
• $o_t$ 是输出门，
• $i_t$ 是输入门，
• $f_t$ 是遗忘门，
• ${\tilde{c}}_t$ 是候选值。

均方根误差（RMSE）：
$$\text{RMSE}=\sqrt{\frac{1}{n}\sum _{i=1}^n(y_{true,i}-y_{pred,i}{)}^2}$$

平均绝对误差（MAE）：
$$\text{MAE}=\frac{1}{n}\sum _{i=1}^n|y_{true,i}-y_{pred,i}|$$

决定系数（R²）：
$$R^2=1-\frac{{\sum }_{i=1}^n(y_{true,i}-y_{pred,i}{)}^2}{{\sum }_{i=1}^n(y_{true,i}-{\bar{y}}_{true}{)}^2}$$
其中，${\bar{y}}_{true}$是真实值的均值。

运行结果

真值与预测值对比曲线：

误差曲线：

误差分布直方图：

训练收敛曲线：

MATLAB源代码

部分代码：

%% 【LSTM多输入单输出】基于长短期记忆网络的多输入单输出回归预测的例程
% 2025-06-15/Ver3
clc; clear; close all;
rng(0);  % 固定随机种子确保实验可重复性

%% 数据生成与预处理（模拟工业传感器数据）
numSteps = 1000;          % 总数据点数（建议≥1000以保证时序特征学习）
numFeatures = 10;         % 特征维度（对应工业传感器数量）

% 生成基准信号（包含非线性趋势）
time = linspace(0, 20*pi, numSteps)';  % 时间序列（带周期性变化）
baseSignal = 0.5*sin(0.5*time) + 0.3*cos(2.5*time);  % 复合周期信号

% 构建多变量特征矩阵（模拟多传感器读数）
features = zeros(numSteps, numFeatures);
for i = 1:numFeatures
    noise = 0.1*randn(numSteps,1);  % 添加高斯噪声模拟传感器误差
    features(:,i) = baseSignal.*(0.8+0.1*i) + 0.2*sin(i*time) + noise; % 生成非线性相关特征
end

完整代码：https://download.csdn.net/download/callmeup/91023042

或：