【LSTM预测】基于双向长短时记忆（biLSTM）实现数据回归预测含Matlab源码
时间：2022-07-21
来源：
浏览：
【LSTM预测】基于双向长短时记忆（biLSTM）实现数据回归预测含Matlab源码
天天Matlab
天天Matlab
发表于
天天Matlab
![]()
TT_Matlab
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，完整matlab代码或者程序定制加qq1575304183。
收录于合集
#神经网络预测matlab源码
307个
1 简介
Bi-LSTM网络理论
LSTM 网络是循环神经网络 (Recurrent Neural Network，RNN) 的变体，改善了 RNN 存在的无法解决长期依赖的问题。LSTM 单元结构如图 1 所示。其中，ct，ht 分别表示模型的记忆状态和隐层状态，xt，yt 分别表示模型的输入与输出，σ 表示 sigmoid激活函数。LSTM 的单元内存在 4 个不同的全连接层，全连接层的每一个结点都与上一层的所有结点相连，其主要用途是把模型提取到的特征综合起来。主层是图中输出为 c~t 的层，其基本作用是分析当前输入xt 和前一个隐状态 ht -1。其他 3 个层是门限控制器，分别是：由 ft 控制的忘记门限，控制着哪些记忆状态应被丢弃；由 it 控制的输入门限，控制着 c~t 的哪些部分会被加入到记忆状态；由 ot 控制的输出门限，控制着哪些记忆状态应在这个时间迭代被读取和输出。随着记忆状态 ct -1 从左到右贯穿网络，它首先经过一个忘记门限丢弃一些记忆，然后通过输入门限选择添加一些新的记忆。因此，在每个时间迭代中，一些记忆被丢弃，同时一些记忆被增加。另外，经过额外操作，记忆状态被复制并传入 tanh 函数，然后其结果被输出门限过滤，从而产生新的隐状态ht。LSTM 就是在这样的循环之下，学习哪些记忆需要储存，哪些记忆需要丢弃，以及从哪些记忆中去
2 部分代码
clc
clear
close all
%%
load final.mat
for
i=
1
:size(record,
2
)
record(:,i)=record(:,i)/max(record(:,i));
end
demands=record(
1
:
220
,
4
);
orgin=record(
1
:
220
,
1
:
3
);
in
=orgin;
out=demands;
i=
1
;
while
~isempty(
in
)
pick=
3
;
if
pick<=size(
in
,
1
)
X{i}=(
in
(
1
:pick,:))
’;
Y(i)=out(pick);
in(1,:)=[];
out(1,:)=[];
i=i+1;
else
X{i}=in’
;
Y(i)=out(
end
);
break
;
end
end
3 仿真结果
4 参考文献
[1]郭洪鹏, 刘斌, 肖尧. 基于Bi-LSTM网络的铁路短期货运量预测研究[J]. 铁道货运, 2022, 40(2):7.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。
版权：如无特殊注明，文章转载自网络，侵权请联系cnmhg168#163.com删除！文件均为网友上传，仅供研究和学习使用，务必24小时内删除。
相关推荐