Main Content

使用一维卷积进行序列分类

打开实时脚本

此示例说明如何使用一维卷积神经网络对序列数据进行分类。

为了训练深度神经网络来对序列数据进行分类，可以使用一维卷积神经网络。一维卷积层通过对一维输入应用滑动卷积滤波器来学习特征。使用一维卷积层可能比使用循环层更快，因为卷积层可以通过单一运算来处理输入。相反，循环层必须对输入的时间步进行迭代。然而，根据网络架构和滤波器大小，一维卷积层的性能可能不如循环层，循环层可以学习各时间步之间的长期相关性。

加载序列数据

从 WaveformData.mat 加载示例数据。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。

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

留出用于验证和测试的数据。将数据划分为训练集（包含 80% 的数据）、验证集（包含 10% 的数据）和测试集（包含其余 10% 的数据）。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,idxValidation,idxTest] = trainingPartitions(numObservations, [0.8 0.1 0.1]);
XTrain = data(idxTrain);
TTrain = labels(idxTrain);

XValidation = data(idxValidation);
TValidation = labels(idxValidation);

XTest = data(idxTest);
TTest = labels(idxTest);

定义一维卷积网络架构

定义一维卷积神经网络架构。

  • 将输入大小指定为输入数据的通道数量。

  • 指定两个由一维卷积层、ReLU 和层归一化层组成的模块，其中卷积层的滤波器大小为 5。分别为第一个和第二个卷积层指定 32 个和 64 个滤波器。对于两个卷积层，都对输入进行左填充，以使输出的长度相同（因果填充）。

  • 要将卷积层的输出减少到单个向量，请使用一维全局平均池化层。

  • 要将输出映射到概率向量，请指定一个输出大小与类数匹配的全连接层，后跟一个 softmax 层。

filterSize = 5;
numFilters = 32;

classNames = categories(TTrain);
numClasses = numel(classNames);

layers = [ ...
    sequenceInputLayer(numChannels)
    convolution1dLayer(filterSize,numFilters,Padding="causal")
    reluLayer
    layerNormalizationLayer
    convolution1dLayer(filterSize,2*numFilters,Padding="causal")
    reluLayer
    layerNormalizationLayer
    globalAveragePooling1dLayer
    fullyConnectedLayer(numClasses)
    softmaxLayer];

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 优化器以 0.01 的学习率进行 60 轮训练。

  • 对序列进行左填充。

  • 使用验证数据验证网络。

  • 在图中监控训练进度并隐藏详尽输出。

options = trainingOptions("adam", ...
    MaxEpochs=60, ...
    InitialLearnRate=0.01, ...
    SequencePaddingDirection="left", ...
    ValidationData={XValidation,TValidation}, ...
    Plots="training-progress", ...
    Metrics="accuracy", ...
    Verbose=false);

训练神经网络

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）。在 GPU 上进行训练需要 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，trainnet 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);

测试神经网络

使用用于训练的相同序列填充选项对测试数据进行分类。要使用多个观测值进行预测，请使用 minibatchpredict 函数。要将预测分数转换为标签，请使用 scores2label 函数。minibatchpredict 函数自动使用 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。

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

计算预测值的分类准确度。

acc = mean(YTest == TTest)
acc = 0.8800

在混淆矩阵中可视化预测。

figure
confusionchart(TTest,YTest)

另请参阅

| | | | | | | |

相关主题