【BiLSTM数据预测】双向长短时记忆BiLSTM数据预测【含Matlab源码 1793期】

⛄一、双向长短时记忆（biLSTM）简介

1 LSTM网络基本原理
LSTM在RNN的基础上增加了单元状态，并引入内部“门”机制调节信息流，避免RNN出现的“梯度爆炸”和“梯度消失问题”。LSTM的结构算法为：
ft=σ(Wf·[ht-1,xt]+bf) (4)
it=σ(Wi·[ht-1,xt]+bi) (5)
c˜t=tanh(Wc)⋅[ht−1,xt]+bc)         (6)ct=ft⋅ct−1+it⋅c˜t         (7)ot=σ(W0⋅[ht−1,xt]+bo)         (8)ht=ot⋅tanh(ct)         (9)
式中，ft、it、c˜、ct、ot、ht分别为遗忘门、输入门、临时状态量、状态量、输出和最终输出单元值；W和b分别为各“门”对应的权重和偏置项；xt为输入向量；σ为将实数映射到[0,1]的sigmoid函数；tanh为将实数映射到[-1,1]的双曲正切函数。