2. main_VMD_Transformer_LSTM.m - 组合预测模型

主要功能： 从NASA电池数据集中提取放电容量数据并进行可视化分析

算法步骤：导入四个电池数据集(B0005, B0006, B0007, B0018)遍历每个电池的循环数据，筛选放电循环提取放电容量数据并存储到对应数组绘制容量衰减曲线图导出数据到Excel文件

主要功能： 使用VMD-Transformer-LSTM混合模型进行电池容量时间序列预测火箭赛事分析

输入：原始电池容量序列

↓

数据划分：训练集(B0005) + 测试集(B0006)

↓

构建时序数据集：延时步长(kim=2)，预测步长(zim=1)

min{uk},{ωk} {∑k‖∂t[(δ(t)+j/πt)*uk(t)]e^(-jωkt)‖₂²}

s.t. ∑k uk = f(t)

其中：uk：第k个模态分量ωk：中心频率f(t)：原始信号

参数设定：α = 2500（带宽约束）K = 12（模态数量）τ = 0（噪声容限）tol = 1e-7（收敛容差）

输入层 → 位置编码 → 自注意力层 ×2 → LSTM层 → 输出层

关键技术：中日德兰预测分析

位置编码：处理序列位置信息

自注意力机制：捕捉长距离依赖关系

Attention(Q,K,V) = softmax(QKᵀ/√dₖ)V

LSTM门控机制：

f_t = σ(W_f·[h_{t-1}, x_t] + b_f)

i_t = σ(W_i·[h_{t-1}, x_t] + b_i)

o_t = σ(W_o·[h_{t-1}, x_t] + b_o)

各IMF分量独立预测结果叠加得到最终预测多指标性能评估

alpha = 2500; % 带宽约束

tau = 0; % 噪声容限

K = 12; % 模态数

DC = 0; % 无直流分量

init = 1; % 均匀初始化

tol = 1e-7; % 收敛容差

kim = 2; % 历史步长

zim = 1; % 预测步长

numHeads = 4; % 注意力头数

numKeyChannels = 128; % 键通道数

LSTM_units = 64; % LSTM隐藏单元

MaxEpochs = 1000;

MiniBatchSize = 64;

LearnRate = 0.001;

L2Regularization = 0.001;

软件环境：MATLAB R2024b或更高版本