Bilstm双向长短期神经网络多输入单输出回归分析.zip

%% LSTM network %% import data clc clear close all %读取double格式数据 training_data = xlsread('a.xlsx',1); training_data(:,8) = [];%去除空列 testing_data = xlsread('a.xlsx',2); testing_data(:,8) = [];%去除空列 % 把table格式的数据转换为doulbe格式的数据，这样大部分MATLAB版本都可以跑 input_train =training_data(:,1:7);%训练数据输出数据 output_train = training_data(:,8);%训练数据输入数据 input_test = testing_data(:,1:7);%测试数据输出数据 output_test = testing_data(:,8);%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 inputn_test=mapminmax('apply',input_test',inputps); %% Define Network Architecture % Define the network architecture. numFeatures = size(training_data(:,1:7),2);%输入层维度 numResponses = size(training_data(:,end),2);%输出维度 % 200 hidden units numHiddenUnits = 60;%第一层维度 % a fully connected layer of size 50 & a dropout layer with dropout probability 0.5 funbilstm % Specify the training options. % Train for 60 epochs with mini-batches of size 20 using the solver 'adam' maxEpochs = 60;%最大迭代次数 miniBatchSize = 20;%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',0.01, ... %初始学习率 'GradientThreshold',inf, ... %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 %% Test the Network y_pred = predict(net,inputn_test,'MiniBatchSize',1)';%测试仿真输出 y_pred=(mapminmax('reverse',y_pred,outputps))'; y_pred0 = predict(net,inputn,'MiniBatchSize',1)';%训练拟合值 y_pred0=(mapminmax('reverse',y_pred0,outputps))'; nx = 1; npan = (nx-1)*300+1:nx*300; figure%打开一个图像窗口 plot(y_pred(npan),'k-*')%黑色实线，点的形状为* hold on%继续画图 plot(output_test(npan),'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('y')%Y轴名称 legend('测试值','实际值')%标签 error1 = y_pred'-output_test;%误差 figure plot(error1(npan),'k-*') title('测试误差图') ylabel('误差') figure plot(y_pred0(npan),'k-*') hold on plot(output_train(npan),'r-o') hold off title('训练图') ylabel('y') legend('测试值','实际值') error0 = y_pred0'-output_train; figure plot(error0(npan),'k-*') title('训练误差图') ylabel('误差') %% %2 nx = 2; npan = (nx-1)*300+1:nx*300; figure%打开一个图像窗口 plot(y_pred(npan),'k-*')%黑色实线，点的形状为* hold on%继续画图 plot(output_test(npan),'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('y')%Y轴名称 legend('测试值','实际值')%标签 error1 = y_pred'-output_test;%误差 figure plot(error1(npan),'k-*') title('测试误差图') ylabel('误差') figure plot(y_pred0(npan),'k-*') hold on plot(output_train(npan),'r-o') hold off title('训练图') ylabel('y') legend('测试值','实际值') error0 = y_pred0'-output_train; figure plot(error0(npan),'k-*') title('训练误差图') ylabel('误差') %% %3 nx = 3; npan = (nx-1)*300+1:nx*300; figure%打开一个图像窗口 plot(y_pred(npan),'k-*')%黑色实线，点的形状为* hold on%继续画图 plot(output_test(npan),'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('y')%Y轴名称 legend('测试值','实际值')%标签 error1 = y_pred'-output_test;%误差 figure plot(error1(npan),'k-*') title('测试误差图') ylabel('误差') figure plot(y_pred0(npan),'k-*') hold on plot(output_train(npan),'r-o') hold off title('训练图') ylabel('y') legend('测试值','实际值') error0 = y_pred0'-output_train; figure plot(error0(npan),'k-*') title('训练误差图') ylabel('误差') %% %4 nx = 4; npan = (nx-1)*300+1:951; figure%打开一个图像窗口 plot(y_pred(npan),'k-*')%黑色实线，点的形状为* hold on%继续画图 plot(output_test(npan),'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('y')%Y轴名称 legend('测试值','实际值')%标签 error1 = y_pred'-output_test;%误差 figure plot(error1(npan),'k-*') title('测试误差图') ylabel('误差') figure plot(y_pred0(npan),'k-*') hold on plot(output_train(npan),'r-o') hold off title('训练图') ylabel('y') legend('测试值','实际值') error0 = y_pred0'-output_train; figure plot(error0(npan),'k-*') title('训练误差图') ylabel('误差') [MSE,RMSE,MBE,MAE ] =MSE_RMSE_MBE_MAE(output_test',y_pred) R2 = R_2(output_test',y_pred)