clc
clear
close all
rng(1)
[a,ax,ay] = xlsread('数据搜集.xlsx');
num = a(:,2:end);
n = randperm(length(num));
m = 13;
input_train =num((1:m),1:4);%训练数据输出数据
output_train = num((1:m),5);%训练数据输入数据
input_test1 = num(14:17,1:4);%验证数据输出数据
output_test1 = num(14:17,5);%验证数据输入数据
input_test = num(18:21,1:4);%测试数据输出数据
output_test = num(18:21,5);%测试数据输入数据
[inputn,inputps]=mapminmax(input_train',-1,1);%训练数据的输入数据的归一化
[outputn,outputps]=mapminmax(output_train',-1,1);%训练数据的输出数据的归一化de
%% Define Network Architecture
% Define the network architecture.
numFeatures = 4;%输入层维度
numResponses = 1;%输出维度
% 200 hidden units
numHiddenUnits = 130;%第一层维度
% a fully connected layer of size 50 & a dropout layer with dropout probability 0.5
layers = [ ...
sequenceInputLayer(numFeatures)%输入层
lstmLayer(numHiddenUnits,'OutputMode','sequence')%第一层
fullyConnectedLayer(130)%链接层
dropoutLayer(0.03)%遗忘层
fullyConnectedLayer(numResponses)%链接层
regressionLayer];%回归层
% Specify the training options.
% Train for 60 epochs with mini-batches of size 20 using the solver 'adam'
maxEpochs = 100;%最大迭代次数
miniBatchSize = 2;%最小批量
% the learning rate == 0.01
% set the gradient threshold to 1
% set 'Shuffle' to 'never'
options = trainingOptions('adam', ... %解算器
'MaxEpochs',maxEpochs, ... %最大迭代次数
'MiniBatchSize',miniBatchSize, ... %最小批次
'InitialLearnRate',0.001, ... %初始学习率
'GradientThreshold',0.01, ... %梯度阈值
'Shuffle','every-epoch', ... %打乱顺序
'Plots','training-progress',... %画图
'Verbose',0); %不输出训练过程
%% Train the Network
net = trainNetwork(inputn,outputn,layers,options);%开始训练
inputn_test=mapminmax('apply',input_test',inputps);
inputn_test1=mapminmax('apply',input_test1',inputps);
%% Test the Network
y_pred = predict(net,inputn_test,'MiniBatchSize',2)';%测试仿真输出
y_pred1 = predict(net,inputn_test1,'MiniBatchSize',2)';%测试仿真输出
y_pred(y_pred<-1)=-1;
y_pred=(mapminmax('reverse',y_pred',outputps))';
y_pred1=(mapminmax('reverse',y_pred1',outputps))';
y_pred0 = predict(net,inputn,'MiniBatchSize',2);%训练拟合值
y_pred0=(mapminmax('reverse',y_pred0,outputps));
weilai = [];
inp = num(end,2:end)';
for ii = 1:5
inputn_testw=mapminmax('apply',inp,inputps);
y_predw = predict(net,inputn_testw,'MiniBatchSize',2)';%测试仿真输出
end
%
% load maynet.mat
y_pred=(double(y_pred));
figure%打开一个图像窗口
plot(14:17,y_pred1(:,1),'b-*')%黑色实线,点的形状为*
hold on%继续画图
plot(18:21,y_pred(:,1),'k-*')%黑色实线,点的形状为*
hold on%继续画图
plot(14:21,[output_test1(:,1) ;output_test(:,1)],'r-o')%红色实线,点的形状为o
hold off%停止画图
title('测试图')%标题
ylabel('碳排放量(亿吨)')%Y轴名称
legend('测试值','预测值','实际值','Location','southeast')%标签
set(gca,'fontsize',12)
error1 = y_pred-output_test;%误差
figure
plot(error1(:,1),'k-')
title('测试误差图')
ylabel('误差(亿吨)')
set(gca,'fontsize',12)
[MSE,RMSE,MBE,MAE ] =MSE_RMSE_MBE_MAE(output_test,y_pred);
result_table = table;
result_table.sim = y_pred;
result_table.true = output_test;
writetable(result_table,'./结果.csv')
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
基于MATLAB编程,用长短期神经网络LSTM进行碳排放量预测,碳排放是一种时间序列的数据,用LSTM比一般神经网络更适合,代码完整,包含数据,有注释,方便扩展应用 1,如有疑问,不会运行,可以私信, 2,需要创新,或者修改可以扫描二维码联系博主, 3,本科及本科以上可以下载应用或者扩展, 4,内容不完全匹配要求或需求,可以联系博主扩展。
资源推荐
资源详情
资源评论
收起资源包目录
碳排放量.rar (6个子文件)
MSE_RMSE_MBE_MAE.m 437B
main1.m 3KB
R_2.m 317B
1.png 161KB
结果.csv 141B
数据搜集.xlsx 11KB
共 6 条
- 1
资源评论
- woisking22024-02-29资源使用价值高,内容详实,给了我很多新想法,感谢大佬分享~
- TreeMan2023-09-02资源质量不错,和资源描述一致,内容详细,对我很有用。
- 2401_823489222024-02-09资源太好了,解决了我当下遇到的难题,抱紧大佬的大腿~
神经网络机器学习智能算法画图绘图
- 粉丝: 2375
- 资源: 569
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功