建设网站 软件推荐,wordpress相册投票,制作相册app,网站规划与建设规划书LSTM#xff08;Long Short-Term Memory#xff0c;长短期记忆网络#xff09;是一种特殊类型的递归神经网络#xff08;RNN#xff09;#xff0c;专门用于处理和预测基于时间序列的数据。与传统RNN相比#xff0c;LSTM在处理长期依赖问题时具有显著优势。
LSTM的基本…LSTMLong Short-Term Memory长短期记忆网络是一种特殊类型的递归神经网络RNN专门用于处理和预测基于时间序列的数据。与传统RNN相比LSTM在处理长期依赖问题时具有显著优势。
LSTM的基本结构
LSTM由一个称为“细胞状态”cell state的核心组件和三个门gate组成。这些门控制着信息的流入、流出和保留从而应对长时间依赖问题。这三个门分别是 输入门Input Gate决定有多少新信息将被存储在细胞状态中。 遗忘门Forget Gate决定细胞状态中的哪些信息将被丢弃。 输出门Output Gate决定从细胞状态中输出多少信息。
LSTM的应用
LSTM因其在处理序列数据上的强大能力被广泛应用于各种领域如 自然语言处理NLP 语音识别 时间序列预测 图像描述生成 LSTM通过巧妙设计的门机制有效地解决了传统RNN在长时间序列数据上容易产生梯度消失或梯度爆炸的问题从而在许多实际应用中表现出色。
LSTM的MATLAB实现
%% 清空环境变量
clc;
clear;
close all;
warning off;
tic
%% 导入数据
load testdata.mat;
%% 数据分析
[trainInd,valInd,testInd] dividerand(size(X,2),0.7,0,0.3); %划分训练集与测试集
P_train X(:,trainInd); %列索引
T_train Y(:,trainInd);
P_test X(:,testInd);
T_test Y(:,testInd);
M size(P_train, 2);
N size(P_test, 2);
L size(P_train, 1);lstmnumber 50;
%% 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);%% 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, L, 1, 1, M));
p_test double(reshape(p_test , L, 1, 1, N));
t_train double(t_train);
t_test double(t_test );%% 数据格式转换
for i 1 : MLp_train{i, 1} p_train(:, :, 1, i);
end
for i 1 : NLp_test{i, 1} p_test( :, :, 1, i);
end%% 建立模型
layers [sequenceInputLayer([L, 1, 1], Name, sequence) % 建立输入层输入数据结构为[f_, 1, 1]flattenLayer(Name, flatten) % 网络铺平层lstmLayer(lstmnumber,Name,lstm1,OutputMode, last) % lstm层fullyConnectedLayer(1, Name, fc) % 全连接层regressionLayer]; % 回归层%% 参数设置
options trainingOptions(adam, ... % Adam 梯度下降算法MaxEpochs, 200, ... % 最大迭代次数GradientThreshold,1,...InitialLearnRate, 1e-3, ... % 初始学习率为0.01L2Regularization,1e-4,...LearnRateSchedule, piecewise, ... % 学习率下降LearnRateDropFactor, 0.1, ... % 学习率下降因子 0.5LearnRateDropPeriod, 190, ... % 经过190次训练后 学习率为 0.01 * 0.1Shuffle, every-epoch, ... % 每次训练打乱数据集Plots,training-progress,...Verbose,false);%% 训练模型
net trainNetwork(Lp_train, t_train, layers, options);
analyzeNetwork(layers)
%% 模型预测
t_sim net.predict(Lp_test);
T_sim mapminmax(reverse,t_sim,ps_output);
T_sim double(T_sim);%% 评价指标
% 误差 error
error T_test - T_sim;
% 平均绝对误差MAE
MAE mean(abs(T_sim - T_test));
% 平均绝对百分比误差MAPE
MAPE mean(abs((T_test - T_sim)./T_test));
% 均方根误差RMSE
RMSE sqrt(sum((T_test - T_sim).^2)./N);
% 均方误差MSE
MSE sum((T_test - T_sim ).^2)./N;
% 决定系数R2
R 1 - norm(T_test - T_sim)^2 / norm(T_test - mean(T_test ))^2;%% 绘图
figure(1)
plotregression(T_test,T_sim,[回归图]);figure(2)
ploterrhist(T_test-T_sim,[误差直方图]);figure(3)
plot(T_test)
hold on
plot(T_sim)
hold on
xlabel(t/s)
ylabel(value)
title(LSTM预测结果)
legend({预测间隔,实际值,预测值})figure(4)
plot(error);
xlabel(t/s)
ylabel(err)
title(LSTM预测误差)%% 打印出评价指标
disp([-----------------------误差计算--------------------------])
disp([评价结果如下所示])
disp([平均绝对误差MAE为 ,num2str(MAE)])
disp([平均绝对百分比误差MAPE为 ,num2str(MAPE)])
disp([均方误差MSE为 ,num2str(MSE)])
disp([均方根误差RMSE为 ,num2str(RMSE)])
disp([决定系数R^2为 ,num2str(R)])
toc
预测结果 完整代码数据集下载链接0.1
https://mbd.pub/o/bread/ZpeVl5xu
