Main Content

使用深度学习进行序列分类

打开实时脚本

此示例说明如何使用长短期记忆 (LSTM) 网络对序列数据进行分类。

要训练深度神经网络以对序列数据进行分类，可以使用 LSTM 神经网络。LSTM 神经网络允许您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。

此图说明序列数据流经序列分类神经网络的序列数据。

此示例使用 Waveform 数据集。此示例训练 LSTM 神经网络来识别给定时间序列数据的波形类型。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。

加载序列数据

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

在绘图中可视化一些序列。

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)
classNames = 4×1 cell
    {'Sawtooth'}
    {'Sine'    }
    {'Square'  }
    {'Triangle'}

留出测试数据。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）。要划分数据，请使用 trainingPartitions 函数，此函数作为支持文件包含在此示例中。要访问此文件，请以实时脚本形式打开此示例。

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

在训练过程中，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。过多填充会对网络性能产生负面影响。

为了防止训练过程添加过多填充，您可以按序列长度对训练数据进行排序，并选择合适的小批量大小，以使同一小批量中的序列长度相近。下图显示了对数据进行排序之前和之后填充序列的效果。

获取每个观测值的序列长度。

numObservations = numel(XTrain);
for i=1:numObservations
    sequence = XTrain{i};
    sequenceLengths(i) = size(sequence,1);
end

按序列长度对数据进行排序。

[sequenceLengths,idx] = sort(sequenceLengths);
XTrain = XTrain(idx);
TTrain = TTrain(idx);

在条形图中查看排序的序列长度。

figure
bar(sequenceLengths)
xlabel("Sequence")
ylabel("Length")
title("Sorted Data")

定义 LSTM 神经网络架构

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。

如果您可以在预测时访问完整序列，则可以在网络中使用双向 LSTM 层。双向 LSTM 层在每个时间步从完整序列学习。如果您不能在预测时访问完整序列，例如，您正在预测值或一次预测一个时间步时，则改用 LSTM 层。

numHiddenUnits = 120;
numClasses = 4;

layers = [
    sequenceInputLayer(numChannels)
    bilstmLayer(numHiddenUnits,OutputMode="last")
    fullyConnectedLayer(numClasses)
    softmaxLayer]
layers = 
  4×1 Layer array with layers:

     1   ''   Sequence Input    Sequence input with 3 dimensions
     2   ''   BiLSTM            BiLSTM with 120 hidden units
     3   ''   Fully Connected   4 fully connected layer
     4   ''   Softmax           softmax

指定训练选项

指定训练选项。在选项中进行选择需要经验分析。要通过运行试验探索不同训练选项配置，您可以使用Experiment Manager。

  • 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。

  • 禁用详尽输出。

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。对于分类，使用交叉熵损失。默认情况下，trainnet 函数使用 GPU（如果有）。使用 GPU 需要 Parallel Computing Toolbox™ 许可证和受支持的 GPU 设备。有关受支持设备的信息，请参阅GPU Computing Requirements (Parallel Computing Toolbox)。否则，该函数使用 CPU。要指定执行环境，请使用 ExecutionEnvironment 训练选项。

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。

LSTM 神经网络 net 已使用相似长度的小批量序列进行训练。确保以相同的方式组织测试数据。按序列长度对测试数据进行排序。

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。

使用 minibatchpredict 函数进行预测，并使用 scores2label 函数将分数转换为标签。默认情况下，minibatchpredict 函数使用 GPU（如果有）。

scores = minibatchpredict(net,XTest);
YTest = scores2label(scores,classNames);

计算分类准确度。准确度是正确预测的标签的百分比。

acc = mean(YTest == TTest)
acc = 0.8700

在混淆图中显示分类结果。

figure
confusionchart(TTest,YTest)

另请参阅

| | | | |

相关主题