基于长短期记忆 (LSTM) 网络对序列数据进行分类

%% 基于长短期记忆 (LSTM) 网络对序列数据进行分类 %使用 LSTM 神经网络对序列数据进行分类,LSTM 神经网络将序列数据输入网络，并根据序列数据的各个时间步进行预测。 %% 加载序列数据 %使用 Waveform 数据集，训练数据包含四种波形的时间序列数据。每个序列有三个通道，且长度不同。 %从 WaveformData 加载示例数据。 %序列数据是序列的 numObservations×1 元胞数组，其中 numObservations 是序列数。每个序列都是一个 numTimeSteps×-numChannels 数值数组，其中 numTimeSteps 是序列的时间步，numChannels 是序列的通道数。标签数据是 numObservations×1 分类向量。 load WaveformData %绘制部分序列 numChannels = size(data{1},2); idx = [3 4 5 12]; figure tiledlayout(2,2) for i = 1:4 nexttile stackedplot(data{idx(i)},DisplayLabels="Channel "+string(1:numChannels)) xlabel("Time Step") title("Class: " + string(labels(idx(i)))) end %查看类名称 classNames = categories(labels) %划分数据 %使用 trainingPartitions 函数将数据划分为训练集（包含 90% 数据）和测试集（包含其余 10% 数据）， numObservations = numel(data); [idxTrain,idxTest] = trainingPartitions(numObservations,[0.9 0.1]); XTrain = data(idxTrain); TTrain = labels(idxTrain); XTest = data(idxTest); TTest = labels(idxTest); %% 准备要填充的数据 %默认情况下，软件将训练数据拆分成小批量并填充序列，使它们具有相同的长度 %获取观测值序列长度 numObservations = numel(XTrain); for i=1:numObservations sequence = XTrain{i}; sequenceLengths(i) = size(sequence,1); end %序列长度排序 [sequenceLengths,idx] = sort(sequenceLengths); XTrain = XTrain(idx); TTrain = TTrain(idx); %查看序列长度 figure bar(sequenceLengths) xlabel("Sequence") ylabel("Length") title("Sorted Data") %% 定义 LSTM 神经网络架构 %将输入大小指定为输入数据的通道数。 %指定一个具有 120 个隐藏单元的双向 LSTM 层，并输出序列的最后一个元素。 %最后，包括一个输出大小与类的数量匹配的全连接层，后跟一个 softmax 层。 numHiddenUnits = 120; numClasses = 4; layers = [ sequenceInputLayer(numChannels) bilstmLayer(numHiddenUnits,OutputMode="last") fullyConnectedLayer(numClasses) softmaxLayer] %% 指定训练选项 %使用 Adam 求解器进行训练。 %进行 200 轮训练。 %指定学习率为 0.002。 %使用阈值 1 裁剪梯度。 %为了保持序列按长度排序，禁用乱序。 %在图中显示训练进度并监控准确度。 options = trainingOptions("adam", ... MaxEpochs=200, ... InitialLearnRate=0.002,... GradientThreshold=1, ... Shuffle="never", ... Plots="training-progress", ... Metrics="accuracy", ... Verbose=false); %% 训练 LSTM 神经网络 %使用 trainnet 函数训练神经网络 net = trainnet(XTrain,TTrain,layers,"crossentropy",options); %% 测试 LSTM 神经网络 %对测试数据进行分类，并计算预测的分类准确度。 numObservationsTest = numel(XTest); for i=1:numObservationsTest sequence = XTest{i}; sequenceLengthsTest(i) = size(sequence,1); end [sequenceLengthsTest,idx] = sort(sequenceLengthsTest); XTest = XTest(idx); TTest = TTest(idx); %对测试数据进行分类，并计算预测的分类准确度。 scores = minibatchpredict(net,XTest); YTest = scores2label(scores,classNames); %计算分类准确度 acc = mean(YTest == TTest) %混淆图中显示分类结果 figure confusionchart(TTest,YTest)