目錄

一、程序及算法內(nèi)容介紹：

基本內(nèi)容：

亮點與優(yōu)勢：

二、實際運行效果：

?三、部分程序：

四、完整程序下載：

---

一、程序及算法內(nèi)容介紹：

基本內(nèi)容：

• 本代碼基于Matlab平臺編譯，使用長短期記憶神經(jīng)網(wǎng)絡（LSTM），進行數(shù)據(jù)分類預測

• 輸入訓練的數(shù)據(jù)包含12個特征，1個響應值，即通過12個輸入值預測1個輸出值（多變量分類）

• 歸一化訓練數(shù)據(jù)，提升網(wǎng)絡泛化性

• 自動輸出多種多樣的的誤差評價指標，自動輸出大量實驗效果圖片

亮點與優(yōu)勢：

• 注釋詳細，幾乎每一關(guān)鍵行都有注釋說明，適合小白起步學習

• 直接運行Main函數(shù)即可看到所有結(jié)果，使用便捷

• 編程習慣良好，程序主體標準化，邏輯清晰，方便閱讀代碼

• 所有數(shù)據(jù)均采用Excel格式輸入，替換數(shù)據(jù)方便，適合懶人選手

• 出圖詳細、豐富、美觀，可直觀查看運行效果

• 附帶詳細的說明文檔，其內(nèi)容包括：算法原理+使用方法說明

二、實際運行效果：

?三、部分程序：

clc;
clear;
warning off;
%% 導入數(shù)據(jù)
Data = table2array(readtable("數(shù)據(jù)集.xlsx"));
% 本例數(shù)據(jù)集中包含：
% 1. 總共357個樣本（每一行表示一個樣本）
% 2. 每個樣本12個特征值（即前12列每一列表示樣本的一個特征，即輸入的變量）
% 3. 每個樣本1個響應值（第13列為表示樣本的響應值，即被預測的變量）%% 劃分訓練集和測試集
Temp = randperm(size(Data,1)); % 打亂數(shù)據(jù)的順序，提升模型的泛化性。
InPut_num = 1:1:12; % 輸入特征的列數(shù)，數(shù)據(jù)表格中前12列為輸入值，因此設置為1:1:12，若前5個為輸入則設置為1:1:5
OutPut_num = 13; % 輸出響應列數(shù)，本例僅一個響應值，為數(shù)據(jù)表格中第13列，若多個響應值參照上行數(shù)據(jù)格式設置為x:1:y% 選取前327個樣本作為訓練集，后30個樣本作為測試集，即（1：327），和（328：end）
Train_InPut = Data(Temp(1:327),InPut_num); % 訓練輸入
Train_OutPut = Data(Temp(1:327),OutPut_num); % 訓練輸出
Test_InPut = Data(Temp(328:end),InPut_num); % 測試輸入
Test_OutPut = Data(Temp(328:end),OutPut_num); % 測試輸出%% 數(shù)據(jù)歸一化
% 將輸入特征數(shù)據(jù)歸一化到0-1之間
[~, Ps] = mapminmax([Train_InPut;Test_InPut]',0,1); 
Train_InPut = mapminmax('apply',Train_InPut',Ps);
Test_InPut = mapminmax('apply',Test_InPut',Ps);Temp_TrI = cell(size(Train_InPut,2),1);
Temp_TeI = cell(size(Test_InPut,2),1);
% 轉(zhuǎn)為cell格式
for i = 1:size(Train_InPut,2)Temp_TrI{i} = Train_InPut(:,i);
end
Train_InPut = Temp_TrI;for i = 1:size(Test_InPut,2)Temp_TeI{i} = Test_InPut(:,i);
end
Test_InPut = Temp_TeI;
% 轉(zhuǎn)為標簽格式
Train_OutPut = categorical(Train_OutPut);
Test_OutPut = categorical(Test_OutPut);

四、完整程序下載：