长短期记忆(LSTM)神经网络-多输入时序预测

目录

一、程序及算法内容介绍:

基本内容:

亮点与优势:

二、实际运行效果:

三、部分程序:

四、完整程序下载:


一、程序及算法内容介绍:

基本内容:

  • 本代码基于Matlab 平台编译,使用长短期记忆神经网络(LSTM),进行数据回归预测

  • 输入训练的数据包含8 个特征,1 个响应值,即通过8 个输入 值预测1个输出值(多变量时序预测)

  • 归一化训练数据,提升网络泛化性

  • 自动输出多种多样的的误差评价指标,自动输出大量实验效果图片

亮点与优势:

  • 注释详细,几乎每一关键行都有注释说明,适合小白起步学习

  • 直接运行Main函数即可看到所有结果,使用便捷

  • 编程习惯良好,程序主体标准化,逻辑清晰,方便阅读代码

  • 所有数据均采用Excel格式输入,替换数据方便,适合懒人选手

  • 出图详细、丰富、美观,可直观查看运行效果

  • 附带详细的说明文档,其内容包括:算法原理+使用方法说明

二、实际运行效果:

三、部分程序:

复制代码
clc;
clear;
warning off;
%% 导入数据
Data = table2array(readtable("数据集.xlsx"));
% 本例数据集中包含:
% 1. 总共472个样本(每一行表示一个样本)
% 2. 每个样本8个特征值(即前8列每一列表示样本的一个特征,即输入的变量)
% 3. 每个样本1个响应值(第9列为表示样本的响应值,即被预测的变量)

%% 划分训练集和测试集
InPut_num = 1:1:8; % 输入特征个数,数据表格中前8列为输入值,因此设置为1:1:8,若前5个为输入则设置为1:1:5
OutPut_num = 9; % 输出响应个数,本例仅一个响应值,为数据表格中第9个,若多个响应值参照上行数据格式设置为x:1:y

% 选取前376个样本作为训练集,后96个样本作为测试集,即(1:376),和(377:end)
Train_InPut = Data(1:376,InPut_num); % 训练输入
Train_OutPut = Data(1:376,OutPut_num); % 训练输出
Test_InPut = Data(377:end,InPut_num); % 测试输入
Test_OutPut = Data(377:end,OutPut_num); % 测试输出
clear Temp;
%% 数据归一化
% 将数据归一化到0-1之间
Temp = [Train_OutPut;Test_OutPut];
[~, Ps] = mapminmax(Temp',0,1); 
% 归一化训练输入值
Sc = size(Train_InPut);
Temp = reshape(Train_InPut,[1,Sc(1)*Sc(2)]);
Temp = mapminmax('apply',Temp,Ps);
Train_InPut = reshape(Temp,[Sc(1),Sc(2)])';
% 归一化测试输入值
Sc = size(Test_InPut);
Temp = reshape(Test_InPut,[1,Sc(1)*Sc(2)]);
Temp = mapminmax('apply',Temp,Ps);
Test_InPut = reshape(Temp,[Sc(1),Sc(2)])';
% 归一化训练输出值
Train_OutPut = mapminmax('apply',Train_OutPut',Ps);
% 归一化测试输出值
Test_OutPut = mapminmax('apply',Test_OutPut',Ps);

四、完整程序下载:

相关推荐
Y1nhl17 分钟前
搜广推校招面经八十一
开发语言·人工智能·pytorch·深度学习·机器学习·推荐算法·搜索算法
鸿蒙布道师4 小时前
OpenAI为何觊觎Chrome?AI时代浏览器争夺战背后的深层逻辑
前端·人工智能·chrome·深度学习·opencv·自然语言处理·chatgpt
听风吹等浪起5 小时前
NLP实战(4):使用PyTorch构建LSTM模型预测糖尿病
人工智能·pytorch·自然语言处理·lstm
pljnb6 小时前
长短期记忆网络(LSTM)
人工智能·rnn·lstm
何双新6 小时前
第1讲:Transformers 的崛起:从RNN到Self-Attention
人工智能·rnn·深度学习
AIGC大时代6 小时前
高质量学术引言如何妙用ChatGPT?如何写提示词
人工智能·深度学习·chatgpt·学术写作·chatgpt-o3·deep reaserch
数据智能老司机8 小时前
构建具备自主性的人工智能系统——探索协调者、工作者和委托者方法
深度学习·llm·aigc
数据智能老司机8 小时前
构建具备自主性的人工智能系统——使代理能够使用工具和进行规划
深度学习·llm·aigc
2301_769624408 小时前
基于Pytorch的深度学习-第二章
人工智能·pytorch·深度学习