在 Simulink 中分类和更新网络状态

此示例使用:

打开脚本

此示例说明如何在 Simulink® 中使用 Stateful Classify 模块对经过训练的循环神经网络进行数据分类。此示例使用预训练的长短期记忆 (LSTM) 网络。

加载预训练网络

按照 [1] 和 [2] 中的说明加载 JapaneseVowelsNet，这是一个基于日语元音数据集训练的预训练长短期记忆 (LSTM) 网络。此网络是基于按序列长度排序的序列训练的，小批量大小为 27。

load JapaneseVowelsNet

查看网络架构。

analyzeNetwork(net);

加载测试数据

加载日语元音测试数据。XTest 是包含 370 个不同长度的 12 维序列的元胞数组。TTest 是由对应于九个说话者的标签 "1"、"2"、..."9" 组成的分类向量。

创建一个时间表数组 simin，其中包含带有时间戳的行和 X 的重复副本。

load JapaneseVowelsTestData;
X = XTest{94};
numTimeSteps = size(X,2);
simin = timetable(repmat(X,1,4)','TimeStep',seconds(0.2));

Simulink 数据分类模型

用于数据分类的 Simulink 模型包含一个 Stateful Classify 模块，用于预测标签；还包含一个 From Workspace 模块，用于加载各时间步的输入数据序列。

要在仿真期间将循环神经网络的状态重置为其初始状态，请将 Stateful Classify 模块放置在 Resettable Subsystem 内，并使用 Reset 控制信号作为触发器。

open_system('StatefulClassifyExample');

配置模型进行仿真

设置 Stateful Classify 模块的模型配置参数。

set_param('StatefulClassifyExample/Stateful Classify','NetworkFilePath','JapaneseVowelsNet.mat');
set_param('StatefulClassifyExample','SimulationMode','Normal');

运行仿真

要计算 JapaneseVowelsNet 网络的响应，请运行仿真。预测标签保存在 MATLAB® 工作区中。

out = sim('StatefulClassifyExample');

在阶梯图中绘制预测标签。绘图显示了预测标签在不同时间步之间的变化情况。

labels = squeeze(out.YPred.Data(1:numTimeSteps,1));

figure
stairs(labels, '-o')
xlim([1 numTimeSteps])
xlabel("Time Step")
ylabel("Predicted Class")
title("Classification Over Time Steps")

将预测标签与真实标签进行比较。绘制一条水平线，显示观测值的真实标签。

trueLabel = double(TTest(94));
hold on
line([1 numTimeSteps],[trueLabel trueLabel], ...
    'Color','red', ...
    'LineStyle','--')
legend(["Prediction" "True Label"])
axis([1 numTimeSteps+1 0 9]);

参考

[1] M. Kudo, J. Toyama, and M. Shimbo. "Multidimensional Curve Classification Using Passing-Through Regions." Pattern Recognition Letters. Vol. 20, No. 11–13, pages 1103–1111.

[2] UCI Machine Learning Repository: Japanese Vowels Dataset. https://archive.ics.uci.edu/ml/datasets/Japanese+Vowels

另请参阅

| | |

主题