【预测模型】基于matlab RNN循环神经网络预测【含Matlab源码 363期】

一、获取代码方式

获取代码方式1：
完整代码已上传我的资源：【预测模型】基于matlab RNN循环神经网络预测【含Matlab源码 363期】

获取代码方式2：
通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。

备注：
订阅紫极神光博客付费专栏，可免费获得1份代码（有效期为订阅日起，三天内有效）；

二、RNN循环神经网络简介

神经网络可以当做是能够拟合任意函数的黑盒子，只要训练数据足够，给定特定的x，就能得到希望的y，结构图如下：

将神经网络模型训练好之后，在输入层给定一个x，通过网络之后就能够在输出层得到特定的y，那么既然有了这么强大的模型，为什么还需要RNN（循环神经网络）呢？

1 为什么需要RNN（循环神经网络）
他们都只能单独的取处理一个个的输入，前一个输入和后一个输入是完全没有关系的。但是，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。

比如，当我们在理解一句话意思时，孤立的理解这句话的每个词是不够的，我们需要处理这些词连接起来的整个序列；当我们处理视频的时候，我们也不能只单独的去分析每一帧，而要分析这些帧连接起来的整个序列。
以nlp的一个最简单词性标注任务来说，将我吃苹果三个单词标注词性为我/nn 吃/v 苹果/nn。
那么这个任务的输入就是：
我吃苹果（已经分词好的句子）
这个任务的输出是：
我/nn 吃/v 苹果/nn(词性标注好的句子)
对于这个任务来说，我们当然可以直接用普通的神经网络来做，给网络的训练数据格式了就是我-> 我/nn 这样的多个单独的单词->词性标注好的单词。
但是很明显，一个句子中，前一个单词其实对于当前单词的词性预测是有很大影响的，比如预测苹果的时候，由于前面的吃是一个动词，那么很显然苹果作为名词的概率就会远大于动词的概率，因为动词后面接名词很常见，而动词后面接动词很少见。
所以为了解决一些这样类似的问题，能够更好的处理序列的信息，RNN就诞生了。
2 RNN结构
首先看一个简单的循环神经网络如，它由输入层、一个隐藏层和一个输出层组成：

不知道初学的同学能够理解这个图吗，反正我刚开始学习的时候是懵逼的，每个结点到底代表的是一个值的输入，还是说一层的向量结点集合，如何隐藏层又可以连接到自己，等等这些疑惑~这个图是一个比较抽象的图。
我们现在这样来理解，如果把上面有W的那个带箭头的圈去掉，它就变成了最普通的全连接神经网络。x是一个向量，它表示输入层的值（这里面没有画出来表示神经元节点的圆圈）；s是一个向量，它表示隐藏层的值（这里隐藏层面画了一个节点，你也可以想象这一层其实是多个节点，节点数与向量s的维度相同）；
U是输入层到隐藏层的权重矩阵，o也是一个向量，它表示输出层的值；V是隐藏层到输出层的权重矩阵。
那么，现在我们来看看W是什么。循环神经网络的隐藏层的值s不仅仅取决于当前这次的输入x，还取决于上一次隐藏层的值s。权重矩阵 W就是隐藏层上一次的值作为这一次的输入的权重。
我们给出这个抽象图对应的具体图：

我们从上图就能够很清楚的看到，上一时刻的隐藏层是如何影响当前时刻的隐藏层的。
如果我们把上面的图展开，循环神经网络也可以画成下面这个样子：

3 总结
好了，到这里大概讲解了RNN最基本的几个知识点，能够帮助大家直观的感受RNN和了解为什么需要RNN，后续总结它的反向求导知识点。
最后给出RNN的总括图：

三、部分源代码

clc;
clear all;
[train_data,test_data]=LSTM_data_process();
data_length=size(train_data,1);
data_num=size(train_data,2);
%% 网络参数初始化
% 结点数设置
input_num=data_length;
cell_num=5;
output_num=size(test_data,1);
% 网络中门的偏置
bias_input_gate=rand(1,cell_num);
bias_forget_gate=rand(1,cell_num);
bias_output_gate=rand(1,cell_num);
%网络权重初始化
ab=20;
weight_input_x=rand(input_num,cell_num)/ab;
weight_input_h=rand(output_num,cell_num)/ab;
weight_inputgate_x=rand(input_num,cell_num)/ab;
weight_inputgate_c=rand(cell_num,cell_num)/ab;
weight_forgetgate_x=rand(input_num,cell_num)/ab;
weight_forgetgate_c=rand(cell_num,cell_num)/ab;
weight_outputgate_x=rand(input_num,cell_num)/ab;
weight_outputgate_c=rand(cell_num,cell_num)/ab;
%hidden_output权重
weight_preh_h=rand(cell_num,output_num);
%网络状态初始化
cost_gate=0.25;
h_state=rand(output_num,data_num);
cell_state=rand(cell_num,data_num);
%% 网络训练学习
for iter=1:100  yita=0.01;            %每次迭代权重调整比例  for m=1:data_num  %前馈部分  if(m==1)  gate=tanh(train_data(:,m)'*weight_input_x);  input_gate_input=train_data(:,m)'*weight_inputgate_x+bias_input_gate;  output_gate_input=train_data(:,m)'*weight_outputgate_x+bias_output_gate;  for n=1:cell_num  input_gate(1,n)=1/(1+exp(-input_gate_input(1,n)));  output_gate(1,n)=1/(1+exp(-output_gate_input(1,n)));  end  forget_gate=zeros(1,cell_num);  forget_gate_input=zeros(1,cell_num);  cell_state(:,m)=(input_gate.*gate)';  else  gate=tanh(train_data(:,m)'*weight_input_x+h_state(:,m-1)'*weight_input_h);  input_gate_input=train_data(:,m)'*weight_inputgate_x+cell_state(:,m-1)'*weight_inputgate_c+bias_input_gate;  forget_gate_input=train_data(:,m)'*weight_forgetgate_x+cell_state(:,m-1)'*weight_forgetgate_c+bias_forget_gate;  output_gate_input=train_data(:,m)'*weight_outputgate_x+cell_state(:,m-1)'*weight_outputgate_c+bias_output_gate;  for n=1:cell_num  input_gate(1,n)=1/(1+exp(-input_gate_input(1,n)));  forget_gate(1,n)=1/(1+exp(-forget_gate_input(1,n)));  output_gate(1,n)=1/(1+exp(-output_gate_input(1,n)));  end  cell_state(:,m)=(input_gate.*gate+cell_state(:,m-1)'.*forget_gate)';     end  pre_h_state=tanh(cell_state(:,m)').*output_gate;  h_state(:,m)=(pre_h_state*weight_preh_h)';   end  % 误差的计算  Error=h_state(:,m)-train_data(:,m);
%     Error=h_state(:,:)-train_data(end,:);  Error_Cost(1,iter)=sum(Error.^2);  if Error_Cost(1,iter) < cost_gate  iter  break;  end  [ weight_input_x,...  weight_input_h,...  weight_inputgate_x,...  weight_inputgate_c,...  weight_forgetgate_x,...  weight_forgetgate_c,...  weight_outputgate_x,...  weight_outputgate_c,...  weight_preh_h ]=LSTM_updata_weight(m,yita,Error,...  weight_input_x,...  weight_input_h,...  weight_inputgate_x,...  weight_inputgate_c,...  weight_forgetgate_x,...  weight_forgetgate_c,...  weight_outputgate_x,...  weight_outputgate_c,...  weight_preh_h,...  cell_state,h_state,...  input_gate,forget_gate,...  output_gate,gate,...  train_data,pre_h_state,...  input_gate_input,...  output_gate_input,...  forget_gate_input);  end

四、运行结果

五、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.
[3]周品.MATLAB 神经网络设计与应用[M].清华大学出版社，2013.
[4]陈明.MATLAB神经网络原理与实例精解[M].清华大学出版社，2013.
[5]方清城.MATLAB R2016a神经网络设计与应用28个案例分析[M].清华大学出版社，2018.