MATLAB实现基于BiLSTM-BP双向长短期记忆网络BiLSTM结合反向传播网络BP进行回归预测的详细项目实例项目背景介绍在工业生产、能源管理、交通运行、环境监测和金融风控等场景中回归预测任务几乎贯穿于所有涉及连续数值输出的业务链路。与分类问题不同回归预测关注的是对未来某一时刻或某一状态的精确数值估计例如负荷功率、设备剩余寿命、空气质量指标、销量、温度、压力、流量以及价格波动等。此类任务通常具有明显的时间依赖性、非线性映射关系和噪声干扰特征单纯依赖线性回归或浅层神经网络往往难以兼顾长期趋势建模与局部波动刻画容易出现预测滞后、峰值偏差大、复杂工况下泛化能力不足等问题。为了增强模型对序列上下文信息的捕获能力双向长短期记忆网络 BiLSTM 被广泛用于处理时间序列数据。BiLSTM 在标准 LSTM 的基础上引入前向与后向两个方向的记忆通路能够同时利用历史信息与相邻上下文信息从而更充分地挖掘序列内部的依赖关系。对于具有周期性、阶段性和突变性的回归对象而言这种双向建模机制能显著提升特征表达能力。然而BiLSTM 虽然擅长提取序列特征却并不总是直接输出最优的连续值映射。对于某些复杂回归任务深层循环结构输出的高维隐状态包含大量冗余信息若直接使用全连接层进行线性映射可能无法充分发挥特征压缩与非线性拟合的优势。BP 神经网络在连续值逼近方面具有结构灵活、拟合能力强和训练实现成熟等特点因此将 BiLSTM 与 BP 网络结合形成一种前端序列编码、后端非线性回归映射的组合架构能够兼顾时序建模能力与数值拟合能力。BiLSTM 负责从输入序列中提炼高价值时序特征BP 负责将这些特征映射到最终回归结果二者形成分层协同关系既保留了对动态规律的感知能力又增强了输出层的表达精度。从工程实现角度看MATLAB 在神经网络建模、信号处理、统计分析和可视化方面具有较强集成度特别适合搭建完整的回归预测项目。通过 MATLAB可以完成数据清洗、归一化、滑动窗口构造、网络训练、验证集评估、误差可视化以及结果导出等一体化流程便于快速构建可复现、可调试、可部署的实验框架。BiLSTM-BP 组合模型在 MATLAB 环境中的实现通常会经历特征矩阵构造、序列样本组织、BiLSTM 编码层搭建、BP 回归层设计、训练参数配置与性能评估等多个环节。每个环节都直接影响最终性能例如输入窗口长度决定模型对历史信息的感知范围隐藏单元数量决定表达能力学习率与优化器决定收敛稳定性损失函数与评价指标决定模型优劣判断标准。在实际应用中回归预测任务常常面临多源异构数据、缺失值、异常点、尺度差异和工况漂移等问题导致原始数据无法直接用于训练。为此项目通常需要在建模前进行严格的数据预处理包括去噪、填补、异常修正、标准化和训练测试划分。BiLSTM-BP 模型尤其依赖高质量序列输入因为循环网络对时序排列十分敏感一旦输入构造不合理就会造成时间依赖关系被破坏训练效果显著下降。与此同时回归任务通常更关注数值误差的整体水平和极端点误差因此常用均方误差、平均绝对误差、决定系数等指标综合评估。为了提升项目价值还应考虑结果可视化、残差分析、误差分布统计和泛化能力检验使模型不仅在训练集上表现良好也能在未知数据上保持稳定性能。从学术和工程双重维度看BiLSTM-BP 回归预测项目具有较高研究价值。一方面它体现了深度时序特征提取与传统 BP 数值拟合的融合思路有助于提升复杂序列建模的表达上限另一方面它具备较强可操作性和可迁移性适合在 MATLAB 平台上快速构建原型并推广到多种行业场景。对于具有明显滞后效应、周期波动、阶段转折与非线性耦合关系的数据对象单一模型常常难以同时兼顾趋势拟合与峰值还原而 BiLSTM-BP 的层级结构恰好能够在时间依赖和输出映射之间建立更平衡的建模路径。因此该项目不仅适用于课堂实验与科研验证也适合用于真实业务中的预测分析、决策支持与智能监控为连续型预测任务提供一套兼具精度、稳定性和可解释性的解决方案。项目目标与意义目标一提升复杂序列回归精度项目首要目标是提高对复杂连续变量的预测精度尤其针对存在强非线性、长短期依赖和噪声扰动的数据。传统线性模型对输入与输出之间的关系表达能力有限面对波动剧烈或多周期叠加的数据时常出现欠拟合现象单纯 BP 网络虽然具备非线性逼近能力但对时间结构敏感度不足难以系统利用前后文关系。BiLSTM 的引入能够在序列层面捕获双向依赖BP 部分则负责对抽取后的特征进行进一步回归映射从而减小信息损失并提升拟合细节。该目标的意义在于通过结构互补增强模型对真实业务数据的适应性使预测误差控制在更低水平满足工业监测、价格预测和状态估计等对连续数值精度要求较高的任务。目标二增强模型对时间依赖的建模能力回归预测中的许多数据并非独立同分布而是明显受到历史状态影响存在滞后效应、惯性效应和周期规律。该项目的重要目标之一是让模型具备更强的时间依赖建模能力能够自动识别不同时间步之间的关联强度提取短期波动与长期趋势共同作用下的关键模式。BiLSTM 通过正向与反向两个信息流同时学习序列结构能够在特征提取阶段更充分地使用上下文信息减少仅依赖单向记忆导致的信息缺失。该能力在负荷预测、传感器状态估计和环境趋势分析中尤为重要因为这些场景的输出值常常与过去多个时间点共同相关。增强时间依赖建模能力的意义不仅体现在预测精度提升还体现在模型对异常波动、节假日效应、工况切换等复杂现象的识别能力增强。目标三提高模型泛化与稳定性项目还致力于提升模型在未知数据上的泛化能力与训练过程中的稳定性。真实数据往往伴随噪声、缺失、异常值和分布漂移如果模型只在训练集上表现优异而在测试集上效果下降就失去了实际应用价值。BiLSTM-BP 组合结构通过合理的输入标准化、窗口化采样、训练验证划分和正则化控制可以有效抑制过拟合风险提升整体鲁棒性。BiLSTM 提供序列级表示BP 网络进行低维映射有助于减少直接端到端回归时可能出现的梯度不稳定与参数冗余问题。其意义在于不仅追求训练误差下降更强调测试表现的一致性和模型在不同工况下的可迁移性使模型能够适用于新环境、新批次或新设备场景。目标四形成可复用的 MATLAB 实现范式除预测效果外项目还希望建立一套结构清晰、可复用、易调试的 MATLAB 实现范式便于后续扩展到其他任务。MATLAB 在数值分析和可视化方面具有天然优势但若没有统一的流程设计容易出现数据组织混乱、参数设置不一致、训练结果难以复现等问题。通过构建规范化的数据处理流程、模型搭建流程、训练评估流程和结果展示流程可以形成适用于多种回归任务的通用模板。该目标的意义在于降低后续项目的重复开发成本使该模型不只是一次性实验方案而是具备迁移价值的工程化方法。对于科研验证、课程设计和企业原型开发这种可复用性都能显著提升效率并增强项目的长期使用价值。项目挑战及解决方案挑战一序列样本构造与输入维度组织复杂BiLSTM-BP 回归预测最先遇到的问题是输入样本的组织方式。序列模型对数据的维度顺序、时间步长度和标签对齐方式非常敏感若窗口切分不合理模型将难以学习有效规律。许多原始数据以表格形式存在每一行表示一个时刻每一列表示一个特征但循环网络往往需要将其转换为 cell 数组或三维张量格式。若窗口过短模型难以捕获长期趋势若窗口过长则会增加训练难度并引入冗余信息。针对这一挑战解决方案是在建模前基于业务规律和相关分析选择合适的窗口长度并采用滑动窗口法构造输入输出配对样本。同时对多变量特征进行标准化统一量纲避免数值尺度差异造成训练偏差。通过严格控制样本对齐关系保证每个输入序列都能准确对应未来目标值从根本上减少训练噪声和标签错位问题。挑战二BiLSTM 与 BP 融合时的特征衔接问题BiLSTM 输出的是时序隐状态或编码后的特征向量而 BP 网络适合处理固定维度的数值输入二者之间需要一个稳定、明确的衔接方式。若直接把所有时序隐状态扁平化输入 BP可能导致维度过高、计算负担增加和过拟合风险上升若只取最后一个时间步又可能丢失前面时刻的重要上下文。针对这一挑战可以在 BiLSTM 后增加特征汇聚层、全连接降维层或取序列末端状态将高维时序信息压缩为更适合 BP 处理的固定维向量再输入 BP 进行回归映射。这样既保持了双向时序信息的优势又让输出层具有更强的数值拟合能力。对于 MATLAB 实现还应注意层间尺寸匹配、序列格式转换和训练图构建方式确保每一层输出与下一层输入一致避免维度错误和训练中断。挑战三训练收敛、泛化和评价体系平衡困难回归预测项目中模型训练并非单纯追求训练误差最小还要兼顾验证集表现、测试集稳定性与实际业务容错能力。BiLSTM-BP 结构参数较多包括隐藏单元数、学习率、批大小、训练轮数、正则项以及窗口长度等若参数设置不合理可能出现收敛慢、损失震荡、过拟合或欠拟合。为解决这一问题可采用训练集、验证集和测试集三部分划分方式结合早停机制、学习率衰减和误差监控来提升收敛质量。评价方面不应只看单一指标而应同时观察均方误差、平均绝对误差、决定系数以及预测曲线与真实曲线的贴合程度。对于异常点较多的数据还应查看残差分布和极值误差避免平均指标掩盖局部失败。通过多指标联合评估可以更全面地判断模型是否真正具备实用价值。项目模型架构一、数据输入层与预处理层模型最前端是数据输入层其职责是把原始观测序列整理为可训练格式。对于回归预测任务数据通常来自传感器记录、业务统计表或仿真生成序列包含时间戳、多个输入特征以及目标输出值。预处理层负责完成缺失值处理、异常值修正、去量纲化以及滑动窗口样本构建。其基本原理在于神经网络对输入数值范围非常敏感若某些特征幅值过大会在梯度计算中占据主导导致其他特征影响被削弱。标准化或归一化可以将不同量纲的变量映射到相近范围改善优化过程。滑动窗口则通过固定长度的历史片段映射到未来目标使序列学习任务转化为监督学习形式。该层是整套架构的基础决定后续网络是否能够获得质量稳定的输入数据。二、BiLSTM 序列编码层BiLSTM 是整套模型的核心特征提取模块。LSTM 通过输入门、遗忘门和输出门控制信息流解决普通 RNN 在长序列中容易出现梯度消失的问题。BiLSTM 在此基础上增加反向链路使网络不仅利用过去信息还能结合未来上下文进行表征学习。其基本原理是前向 LSTM 按时间顺序提取历史动态后向 LSTM 逆序提取反向依赖最后将两个方向的隐状态融合形成更完整的序列表示。对回归任务而言这种双向编码可以更准确地描述局部峰值、趋势拐点和周期相位变化尤其适用于离线建模场景。该层输出的特征通常比原始输入更具判别力能有效减少后续 BP 层的学习负担。三、特征汇聚与维度压缩层BiLSTM 的输出往往是按时间步排列的特征序列而 BP 网络更适合固定长度输入因此需要特征汇聚与维度压缩层进行连接。常见方式包括取最后时间步状态、对所有时间步做平均池化、拼接关键隐状态或增加全连接层进行降维。其基本原理是把高维时序信息压缩成保留主要趋势和关键变化的低维表示减少冗余并提高后续回归效率。若直接将整个序列展开参数量会明显上升训练速度下降且更易过拟合而适度压缩则能在信息保留与计算成本之间取得平衡。该层在 BiLSTM 与 BP 之间扮演“信息整形器”的角色使时间特征顺利进入数值映射阶段。四、BP 回归映射层BP 网络负责将汇聚后的特征映射到最终连续值输出。BP 的基本原理是通过前向传播完成输出计算再通过误差反向传播更新权重从而不断逼近目标函数。与线性回归相比BP 通过多层非线性激活函数可以学习更加复杂的输入输出关系与深层循环结构相比BP 计算路径更短输出映射更直接因此适合作为回归头部。该层通常由若干全连接层和激活函数组成最后通过线性输出单元给出预测值。对于一些噪声较大或数据分布复杂的任务BP 部分还可承担一定的非线性拟合补偿作用使 BiLSTM 提取到的特征最终转化为更精确的数值结果。五、损失函数、优化器与评价层模型训练结束前还需要损失函数、优化器与评价层协同工作。损失函数用于衡量预测值与真实值之间的偏差回归任务中通常采用均方误差因为它能对较大偏差赋予更高惩罚有利于提升峰值点拟合能力。优化器则负责根据损失值更新网络参数常见选择包括 Adam 或带动量的梯度下降方法它们在收敛速度和稳定性方面较为均衡。评价层则在测试阶段计算多种指标如 MAE、RMSE、R² 等并结合曲线图、散点图和残差图分析模型质量。其基本原理是通过量化误差与趋势一致性判断模型是否真正具备实际预测能力。该层虽然不直接参与前向结构但决定了模型训练是否有效、结果是否可信。项目模型描述及代码示例一、原始数据生成与保存 rng(42); % 固定随机种子确保实验结果可重复 numSamples 1200; % 设置样本总数便于构造足够长的时序数据 t (1:numSamples); % 构造时间索引列向量作为序列基础坐标 x1 sin(2*pi*t/48); % 第一特征模拟明显周期波动适合时序回归场景 x2 cos(2*pi*t/72); % 第二特征模拟不同周期成分增强多尺度信息 x3 0.003*t; % 第三特征模拟缓慢上升趋势体现长期变化 x4 randn(numSamples,1)*0.15; % 第四特征模拟随机扰动加入噪声干扰 y 1.8*x1 - 0.9*x2 0.7*x3 0.35*sin(2*pi*t/24) 0.2*x4; % 目标值由多因素非线性组合得到形成回归任务标签 data [x1 x2 x3 x4 y]; % 合并为统一数据矩阵便于后续处理 save(bilstm_bp_data.mat,data); % 保存为 MAT 文件便于 MATLAB 直接加载和复现实验 二、数据归一化与训练测试划分 load(bilstm_bp_data.mat,data); % 读取原始数据矩阵进入建模阶段 Xraw data(:,1:4); % 提取输入特征矩阵 Yraw data(:,5); % 提取回归目标向量 [Xn, psX] mapminmax(Xraw,0,1); % 对输入特征做归一化处理输出转置形式以适配函数接口 [Yn, psY] mapminmax(Yraw,0,1); % 对目标值做归一化处理统一数值尺度 Xn Xn; % 转回按行存储的样本格式 Yn Yn; % 转回列向量格式便于构造监督样本 windowSize 12; % 设置时间窗口长度表示每个样本使用前12个时刻的信息 numObs size(Xn,1) - windowSize; % 计算可构造样本数量避免越界 Xseq cell(numObs,1); % 预分配序列输入单元数组便于存放每个样本 Yseq zeros(numObs,1); % 预分配输出向量保存每个窗口对应的目标值 for i 1:numObs % 遍历每个滑动窗口位置 Xseq{i} Xn(i:iwindowSize-1,:); % 将窗口内特征转置为特征数×时间步格式 Yseq(i) Yn(iwindowSize); % 取窗口后一个时刻作为预测目标形成监督学习样本 end idxTrain 1:round(0.7*numObs); % 训练集索引占比70% idxVal round(0.7*numObs)1:round(0.85*numObs); % 验证集索引占比15% idxTest round(0.85*numObs)1:numObs; % 测试集索引占比15% XTrain Xseq(idxTrain); % 提取训练输入序列 YTrain Yseq(idxTrain); % 提取训练目标值 XVal Xseq(idxVal); % 提取验证输入序列 YVal Yseq(idxVal); % 提取验证目标值 XTest Xseq(idxTest); % 提取测试输入序列 YTest Yseq(idxTest); % 提取测试目标值 三、BiLSTM 与 BP 组合网络定义 numFeatures 4; % 输入特征维度为4 numResponses 1; % 回归输出维度为1 layers [ % 定义层级结构 sequenceInputLayer(numFeatures,Name,input) % 序列输入层接收多变量时序数据 bilstmLayer(64,OutputMode,last,Name,bilstm1) % 第一层双向LSTM输出最后时间步特征 fullyConnectedLayer(32,Name,fc1) % 全连接层作为特征压缩与过渡层 reluLayer(Name,relu1) % ReLU 激活提高非线性表达能力 fullyConnectedLayer(16,Name,fc2) % 第二个全连接层继续提炼高层特征 reluLayer(Name,relu2) % 第二次非线性映射增强拟合能力 fullyConnectedLayer(numResponses,Name,fc_out) % 输出层将特征映射到回归值 regressionLayer(Name,regression) % 回归损失层使用均方误差进行优化 ]; % 网络层定义结束 四、训练参数配置与模型训练 options trainingOptions(adam, ... % 选择 Adam 优化器兼顾收敛速度与稳定性 MaxEpochs,120, ... % 设置最大训练轮数控制整体迭代次数 MiniBatchSize,32, ... % 设置小批量大小平衡训练效率与梯度稳定性 InitialLearnRate,0.001, ... % 设置初始学习率保证参数更新步幅适中 GradientThreshold,1, ... % 设置梯度裁剪阈值抑制梯度爆炸 Shuffle,every-epoch, ... % 每轮训练打乱样本顺序提升泛化能力 ValidationData,{XVal,YVal}, ... % 指定验证集便于监控过拟合 ValidationFrequency,20, ... % 设置验证频率定期检查模型效果 Verbose,false, ... % 关闭命令行冗余输出保持界面简洁 Plots,training-progress); % 显示训练过程曲线便于观察收敛情况 net trainNetwork(XTrain,YTrain,layers,options); % 执行网络训练生成最终模型 五、预测、反归一化与误差计算 YPredTrainN predict(net,XTrain); % 预测训练集归一化结果检查拟合情况 YPredValN predict(net,XVal); % 预测验证集归一化结果评估泛化能力 YPredTestN predict(net,XTest); % 预测测试集归一化结果作为最终性能评价 YPredTrain mapminmax(reverse,YPredTrainN,psY); % 将训练预测值反归一化回原始量纲 YPredVal mapminmax(reverse,YPredValN,psY); % 将验证预测值反归一化回原始量纲 YPredTest mapminmax(reverse,YPredTestN,psY); % 将测试预测值反归一化回原始量纲 YTrainReal mapminmax(reverse,YTrain,psY); % 将训练真实值反归一化 YValReal mapminmax(reverse,YVal,psY); % 将验证真实值反归一化 YTestReal mapminmax(reverse,YTest,psY); % 将测试真实值反归一化 rmseTest sqrt(mean((YPredTest - YTestReal).^2)); % 计算测试集均方根误差衡量整体偏差 maeTest mean(abs(YPredTest - YTestReal)); % 计算测试集平均绝对误差衡量平均偏差 r2Test 1 - sum((YPredTest - YTestReal).^2)/sum((YTestReal - mean(YTestReal)).^2); % 计算决定系数衡量解释能力 disp([rmseTest maeTest r2Test]); % 输出指标结果便于快速查看模型表现 六、结果可视化与残差分析 figure; % 新建图窗准备绘制对比曲线 plot(YTestReal,k,LineWidth,1.2); hold on; % 绘制真实测试曲线黑色表示真实值 plot(YPredTest,r--,LineWidth,1.2); % 绘制预测测试曲线红色虚线表示模型输出 legend(真实值,预测值); % 添加图例区分两条曲线 xlabel(样本序号); % 设置横轴说明表示测试样本顺序 ylabel(回归值); % 设置纵轴说明表示连续输出量 title(BiLSTM-BP 回归预测对比); % 设置图题说明图形内容 grid on; % 打开网格便于观察误差变化 figure; % 新建图窗绘制残差散点 residual YTestReal - YPredTest; % 计算残差分析局部偏差 scatter(1:length(residual),residual,18,filled); % 绘制残差散点图观察误差分布 xlabel(样本序号); % 设置横轴说明 ylabel(残差); % 设置纵轴说明 title(测试集残差分布); % 设置图题说明残差分析内容 grid on; % 打开网格便于识别异常点一、原始数据生成与保存rng(42); % 固定随机种子确保实验结果可重复numSamples 1200; % 设置样本总数便于构造足够长的时序数据t (1:numSamples); % 构造时间索引列向量作为序列基础坐标x1 sin(2*pi*t/48); % 第一特征模拟明显周期波动适合时序回归场景x2 cos(2*pi*t/72); % 第二特征模拟不同周期成分增强多尺度信息x3 0.003*t; % 第三特征模拟缓慢上升趋势体现长期变化x4 randn(numSamples,1)*0.15; % 第四特征模拟随机扰动加入噪声干扰y 1.8*x1 - 0.9*x2 0.7*x3 0.35*sin(2*pi*t/24) 0.2*x4; % 目标值由多因素非线性组合得到形成回归任务标签data [x1 x2 x3 x4 y]; % 合并为统一数据矩阵便于后续处理save(bilstm_bp_data.mat,data); % 保存为 MAT 文件便于 MATLAB 直接加载和复现实验二、数据归一化与训练测试划分load(bilstm_bp_data.mat,data); % 读取原始数据矩阵进入建模阶段Xraw data(:,1:4); % 提取输入特征矩阵Yraw data(:,5); % 提取回归目标向量[Xn, psX] mapminmax(Xraw,0,1); % 对输入特征做归一化处理输出转置形式以适配函数接口[Yn, psY] mapminmax(Yraw,0,1); % 对目标值做归一化处理统一数值尺度Xn Xn; % 转回按行存储的样本格式Yn Yn; % 转回列向量格式便于构造监督样本windowSize 12; % 设置时间窗口长度表示每个样本使用前12个时刻的信息numObs size(Xn,1) - windowSize; % 计算可构造样本数量避免越界Xseq cell(numObs,1); % 预分配序列输入单元数组便于存放每个样本Yseq zeros(numObs,1); % 预分配输出向量保存每个窗口对应的目标值for i 1:numObs % 遍历每个滑动窗口位置Xseq{i} Xn(i:iwindowSize-1,:); % 将窗口内特征转置为特征数×时间步格式Yseq(i) Yn(iwindowSize); % 取窗口后一个时刻作为预测目标形成监督学习样本endidxTrain 1:round(0.7*numObs); % 训练集索引占比70%idxVal round(0.7*numObs)1:round(0.85*numObs); % 验证集索引占比15%idxTest round(0.85*numObs)1:numObs; % 测试集索引占比15%XTrain Xseq(idxTrain); % 提取训练输入序列YTrain Yseq(idxTrain); % 提取训练目标值XVal Xseq(idxVal); % 提取验证输入序列YVal Yseq(idxVal); % 提取验证目标值XTest Xseq(idxTest); % 提取测试输入序列YTest Yseq(idxTest); % 提取测试目标值三、BiLSTM 与 BP 组合网络定义numFeatures 4; % 输入特征维度为4numResponses 1; % 回归输出维度为1layers [ % 定义层级结构sequenceInputLayer(numFeatures,Name,input) % 序列输入层接收多变量时序数据bilstmLayer(64,OutputMode,last,Name,bilstm1) % 第一层双向LSTM输出最后时间步特征fullyConnectedLayer(32,Name,fc1) % 全连接层作为特征压缩与过渡层reluLayer(Name,relu1) % ReLU 激活提高非线性表达能力fullyConnectedLayer(16,Name,fc2) % 第二个全连接层继续提炼高层特征reluLayer(Name,relu2) % 第二次非线性映射增强拟合能力fullyConnectedLayer(numResponses,Name,fc_out) % 输出层将特征映射到回归值regressionLayer(Name,regression) % 回归损失层使用均方误差进行优化]; % 网络层定义结束四、训练参数配置与模型训练options trainingOptions(adam, ... % 选择 Adam 优化器兼顾收敛速度与稳定性MaxEpochs,120, ... % 设置最大训练轮数控制整体迭代次数MiniBatchSize,32, ... % 设置小批量大小平衡训练效率与梯度稳定性InitialLearnRate,0.001, ... % 设置初始学习率保证参数更新步幅适中GradientThreshold,1, ... % 设置梯度裁剪阈值抑制梯度爆炸Shuffle,every-epoch, ... % 每轮训练打乱样本顺序提升泛化能力ValidationData,{XVal,YVal}, ... % 指定验证集便于监控过拟合ValidationFrequency,20, ... % 设置验证频率定期检查模型效果Verbose,false, ... % 关闭命令行冗余输出保持界面简洁Plots,training-progress); % 显示训练过程曲线便于观察收敛情况net trainNetwork(XTrain,YTrain,layers,options); % 执行网络训练生成最终模型五、预测、反归一化与误差计算YPredTrainN predict(net,XTrain); % 预测训练集归一化结果检查拟合情况YPredValN predict(net,XVal); % 预测验证集归一化结果评估泛化能力YPredTestN predict(net,XTest); % 预测测试集归一化结果作为最终性能评价YPredTrain mapminmax(reverse,YPredTrainN,psY); % 将训练预测值反归一化回原始量纲YPredVal mapminmax(reverse,YPredValN,psY); % 将验证预测值反归一化回原始量纲YPredTest mapminmax(reverse,YPredTestN,psY); % 将测试预测值反归一化回原始量纲YTrainReal mapminmax(reverse,YTrain,psY); % 将训练真实值反归一化YValReal mapminmax(reverse,YVal,psY); % 将验证真实值反归一化YTestReal mapminmax(reverse,YTest,psY); % 将测试真实值反归一化rmseTest sqrt(mean((YPredTest - YTestReal).^2)); % 计算测试集均方根误差衡量整体偏差maeTest mean(abs(YPredTest - YTestReal)); % 计算测试集平均绝对误差衡量平均偏差r2Test 1 - sum((YPredTest - YTestReal).^2)/sum((YTestReal - mean(YTestReal)).^2); % 计算决定系数衡量解释能力disp([rmseTest maeTest r2Test]); % 输出指标结果便于快速查看模型表现六、结果可视化与残差分析figure; % 新建图窗准备绘制对比曲线plot(YTestReal,k,LineWidth,1.2); hold on; % 绘制真实测试曲线黑色表示真实值plot(YPredTest,r--,LineWidth,1.2); % 绘制预测测试曲线红色虚线表示模型输出legend(真实值,预测值); % 添加图例区分两条曲线xlabel(样本序号); % 设置横轴说明表示测试样本顺序ylabel(回归值); % 设置纵轴说明表示连续输出量title(BiLSTM-BP 回归预测对比); % 设置图题说明图形内容grid on; % 打开网格便于观察误差变化figure; % 新建图窗绘制残差散点residual YTestReal - YPredTest; % 计算残差分析局部偏差scatter(1:length(residual),residual,18,filled); % 绘制残差散点图观察误差分布xlabel(样本序号); % 设置横轴说明ylabel(残差); % 设置纵轴说明title(测试集残差分布); % 设置图题说明残差分析内容grid on; % 打开网格便于识别异常点更多详细内容请访问http://人工智能MATLAB实现基于BiLSTM-BP双向长短期记忆网络BiLSTM结合反向传播网络BP进行回归预测的详细项目实例含完整的程序GUI设计和代码详解_带GUI的聚类分析项目资源-CSDN下载 https://download.csdn.net/download/xiaoxingkongyuxi/90392767https://download.csdn.net/download/xiaoxingkongyuxi/90392767https://download.csdn.net/download/xiaoxingkongyuxi/90392767