用matlab实现以下功能，数据集按照每30个时间步长为一个矩阵，喂到lstm模型中，数据大小为40440*11，前百分之八十为训练集，剩下的为训练集，1至10列为特征参数，第11列为输出。全连接层输出维度为3，做lstm分类识别，注意数据格式转换

好的，根据你的要求，我可以给出一份Matlab代码实现。

首先，我们需要将数据集转换成符合LSTM输入要求的格式。假设我们的原始数据集是一个大小为 40440*11 的矩阵 `data`，每 30 行数据为一组，那么我们可以用下面的代码将其转换为一个三维矩阵 `X`，其中第一维表示样本数，第二维表示时间步长，第三维表示特征数：

data_reshape = reshape(data, 30, 11, []);
X = permute(data_reshape, [3, 1, 2]);

接下来，我们可以将数据集划分为训练集和测试集。假设我们希望前 80% 的数据作为训练集，剩下的 20% 数据作为测试集，那么可以使用下面的代码实现：

train_size = round(0.8 * size(X, 1));
X_train = X(1:train_size, :, :);
X_test = X(train_size+1:end, :, :);

构建LSTM分类模型之前，我们还需要对输出进行转换，将其转换为分类标签的形式。假设分类输出只有 3 类，那么可以使用下面的代码将原始输出转换为标签：

Y = data(:, 11);
Y_reshape = reshape(Y, 30, []);
Y_reshape = Y_reshape(1, :);
Y_class = discretize(Y_reshape, [-inf, 0.33, 0.66, inf], 'categorical', {'class1', 'class2', 'class3'});
Y_train = Y_class(1:train_size);
Y_test = Y_class(train_size+1:end);

最后，我们可以定义一个LSTM分类模型，并对其进行训练和测试。这里我们使用了一个简单的一层LSTM的模型，可以根据具体需求进行调整：

numFeatures = 10;
numHiddenUnits = 200;
numClasses = 3;

layers = [ ...
    sequenceInputLayer(numFeatures)
    lstmLayer(numHiddenUnits)
    fullyConnectedLayer(numClasses)
    softmaxLayer
    classificationLayer];

options = trainingOptions('adam', ...
    'ExecutionEnvironment','cpu', ...
    'MaxEpochs',100, ...
    'MiniBatchSize',128, ...
    'GradientThreshold',1, ...
    'Shuffle','never', ...
    'Verbose',0);

net = trainNetwork(X_train, categorical(Y_train), layers, options);

YPred = classify(net, X_test);

这样就实现了按照每30个时间步长为一个矩阵，喂到LSTM模型中的数据格式转换、训练和测试。希望能够对你有所帮助！