循环神经网络（Recurrent Neural Network, RNN）是一种特殊类型的神经网络，非常适合处理序列数据，如时间序列分析、自然语言处理等。在MATLAB中，可以使用Deep Learning Toolbox来构建和训练RNN。
步骤 1: 准备数据
首先，需要准备或生成一些序列数据。为了简单起见，我们将生成一些随机的正弦波数据作为训练集和测试集。
|---|----------------------------------------------------------------------------------------------------|
| | % 生成数据 |
| | numTimeStepsTrain = floor(0.9*1000); |
| | data = sin(1:0.01:10*pi) + 0.1*randn(size(1:0.01:10*pi)); |
| | |
| | % 划分数据为训练和测试集 |
| | XTrain = data(1:numTimeStepsTrain+10); |
| | XTest = data(numTimeStepsTrain+11:end); |
| | |
| | % 准备RNN的输入数据格式: [numSequences, numTimeSteps, numFeatures] |
| | numTimeStepsTrain = floor(length(XTrain)/10); % 假设每个序列包含10个时间步 |
| | numFeatures = 1; |
| | |
| | XTrain = reshape(XTrain(1:numTimeStepsTrain*10), numTimeStepsTrain, 10, numFeatures); |
| | XTest = reshape(XTest(1:floor(length(XTest)/10)*10), floor(length(XTest)/10), 10, numFeatures); |
| | |
| | % 预测目标：下一个时间步的值 |
| | YTrain = XTrain(:,2:end,:); |
| | YTest = XTest(:,2:end,:); |
步骤 2: 创建RNN模型
在MATLAB中，你可以使用layerGraph或layerArray来定义网络结构。
|---|----------------------------------------------------------|
| | layers = [ |
| | sequenceInputLayer(numFeatures) |
| | lstmLayer(50,'OutputMode','sequence') % LSTM层，50个隐藏单元 |
| | fullyConnectedLayer(numFeatures) |
| | regressionLayer |
| | ]; |
步骤 3: 指定训练选项
|---|------------------------------------------|
| | options = trainingOptions('adam', ... |
| | 'MaxEpochs',100, ... |
| | 'GradientThreshold',1, ... |
| | 'InitialLearnRate',0.005, ... |
| | 'LearnRateSchedule','piecewise', ... |
| | 'LearnRateDropPeriod',125, ... |
| | 'LearnRateDropFactor',0.2, ... |
| | 'Verbose',false, ... |
| | 'Plots','training-progress'); |
步骤 4: 训练模型
|---|-----------------------------------------------------|
| | net = trainNetwork(XTrain,YTrain,layers,options); |
步骤 5: 评估模型
|---|-------------------------------------------------|
| | YPred = predict(net,XTest); |
| | |
| | % 计算一些性能指标（例如，均方误差） |
| | YTest = YTest(:); % Flatten YTest |
| | YPred = YPred(:); % Flatten YPred |
| | mse = mean((YTest-YPred).^2); |
| | disp(['Mean Squared Error: ', num2str(mse)]); |