lstm单变量单输出预测MATLAB代码

下面是一个使用LSTM模型进行单变量单输出预测的MATLAB代码示例：

% 准备数据
data = [1 2 3 4 5 6 7 8 9 10];  % 输入数据
target = [2 4 6 8 10 12 14 16 18 20];  % 目标数据

% 数据归一化
data = normalize(data);
target = normalize(target);

% 划分训练集和测试集
trainData = data(1:8);
trainTarget = target(1:8);
testData = data(9:end);
testTarget = target(9:end);

% 构建LSTM模型
numFeatures = 1;  % 输入特征数量
numHiddenUnits = 10;  % LSTM隐藏单元数量
numClasses = 1;  % 输出类别数量

layers = [ ...
    sequenceInputLayer(numFeatures)
    lstmLayer(numHiddenUnits,'OutputMode','last')
    fullyConnectedLayer(numClasses)
    regressionLayer];

% 设置训练选项
options = trainingOptions('adam', ...
    'MaxEpochs', 100, ...
    'MiniBatchSize', 1, ...
    'InitialLearnRate', 0.01, ...
    'GradientThreshold', 1, ...
    'Shuffle', 'never', ...
    'Verbose', 0);

% 训练模型
net = trainNetwork(trainData, trainTarget, layers, options);

% 预测结果
predicted = predict(net, testData);

% 反归一化
predicted = denormalize(predicted);

% 绘制预测结果
figure;
hold on;
plot(target, 'b', 'LineWidth', 2);
plot([NaN(1,8) predicted], 'r--', 'LineWidth', 2);
legend('目标数据', '预测数据');
xlabel('样本');
ylabel('数值');
title('LSTM预测结果');

这段代码使用了MATLAB的深度学习工具箱中的LSTM网络来进行单变量单输出的预测。首先，将输入数据和目标数据进行归一化处理。然后，将数据划分为训练集和测试集。接下来，定义LSTM网络的结构，包括输入层、LSTM层、全连接层和回归层。设置训练选项，如优化器、迭代次数、批次大小等。使用训练集对网络进行训练。最后，使用训练好的网络进行预测，并将结果反归一化。最后绘制出目标数据和预测数据的对比图。