在 Simulink 中预测和更新网络状态

此示例使用:

打开脚本

此示例说明如何在 Simulink® 中使用 Stateful Predict 模块预测经过训练的循环神经网络的响应。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));

用于预测响应的 Simulink 模型

用于预测响应的 Simulink 模型包含一个 Stateful Predict 模块，用于预测分数；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 Predict 模块放置在 Resettable Subsystem 内，并使用 Reset 控制信号作为触发器。

open_system('StatefulPredictExample');

配置模型进行仿真

设置 Stateful Predict 模块的模型配置参数。

set_param('StatefulPredictExample/Stateful Predict','NetworkFilePath','JapaneseVowelsNet.mat');
set_param('StatefulPredictExample', 'SimulationMode', 'Normal');

运行仿真

要计算 JapaneseVowelsNet 网络的响应，请运行仿真。预测分数保存在 MATLAB® 工作区中。

out = sim('StatefulPredictExample');

绘制预测分数。绘图显示了预测分数在不同时间步之间的变化情况。

scores = squeeze(out.yPred.Data(:,:,1:numTimeSteps));

classNames = string(net.Layers(end).Classes);
figure
lines = plot(scores');
xlim([1 numTimeSteps])
legend("Class " + classNames,'Location','northwest')
xlabel("Time Step")
ylabel("Score")
title("Prediction Scores Over Time Steps")

突出显示正确的类在各时间步的预测分数。

trueLabel = TTest(94);
lines(trueLabel).LineWidth = 3;

以条形图显示最终的时间步预测。

figure
bar(scores(:,end))
title("Final Prediction Scores")
xlabel("Class")
ylabel("Score")

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