matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类

要训练深度神经网络对序列数据进行分类，可以使用LSTM网络。LSTM网络使您可以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。

相关视频

本示例使用日语元音数据集。此示例训练LSTM网络来识别给定时间序列数据的说话者，该时间序列数据表示连续讲话的两个日语元音。训练数据包含九位发言人的时间序列数据。每个序列具有12个特征，并且长度不同。数据集包含270个训练观察和370个测试观察。

加载序列数据

加载日语元音训练数据。  是包含长度可变的维度12的270个序列的单元阵列。  是标签“ 1”，“ 2”，...，“ 9”的分类向量，分别对应于九个扬声器。中的条目   是具有12行（每个要素一行）和不同列数（每个时间步长一列）的矩阵。

可视化图中的第一个时间序列。每行对应一个特征。

R语言用FNN-LSTM假近邻长短期记忆人工神经网络模型进行时间序列深度学习预测4个案例

左右滑动查看更多

01

02

03

04

准备填充数据

在训练过程中，默认情况下，该软件默认将训练数据分成小批并填充序列，以使它们具有相同的长度。太多的填充可能会对网络性能产生负面影响。

为防止训练过程增加太多填充，您可以按序列长度对训练数据进行排序，并选择小批量的大小，以使小批量中的序列具有相似的长度。下图显示了对数据进行排序之前和之后的填充序列的效果。

获取每个观察的序列长度。

按序列长度对数据进行排序。

在条形图中查看排序的序列长度。

选择大小为27的小批量可均匀划分训练数据并减少小批量中的数量。下图说明了添加到序列中的填充量。

定义LSTM网络架构

定义LSTM网络体系结构。将输入大小指定为大小为12的序列（输入数据的大小）。指定具有100个隐藏单元的双向LSTM层，并输出序列的最后一个元素。最后，通过包括大小为9的完全连接层，其后是softmax层和分类层，来指定九个类。

如果可以在预测时使用完整序列，则可以在网络中使用双向LSTM层。双向LSTM层在每个时间步都从完整序列中学习。例如，如果您无法在预测时使用整个序列，比如一次预测一个时间步长时，请改用LSTM层。

现在，指定训练选项。将优化器指定为  ，将梯度阈值指定为1，将最大历元数指定为100。要减少小批量中的填充量，请选择27的小批量大小。与最长序列的长度相同，请将序列长度指定为  。为确保数据仍按序列长度排序，请指定从不对数据进行随机排序。

由于批处理的序列短，因此训练更适合于CPU。指定   为  。要在GPU上进行训练（如果有），请将设置   为   （这是默认值）。

训练LSTM网络

使用指定的训练选项来训练LSTM网络  。

测试LSTM网络

加载测试集并将序列分类为扬声器。

加载日语元音测试数据。  是包含370个长度可变的维度12的序列的单元阵列。  是标签“ 1”，“ 2”，...“ 9”的分类向量，分别对应于九个扬声器。

LSTM网络   是使用相似长度的序列进行训练的。确保测试数据的组织方式相同。按序列长度对测试数据进行排序。

分类测试数据。要减少分类过程引入的数据量，请将批量大小设置为27。要应用与训练数据相同的填充，请将序列长度指定为  。

计算预测的分类准确性。