此示例说明如何使用长短期记忆 (LSTM) 网络对序列数据的每个时间步长进行分类。
要训练深度神经网络对序列数据的每个时间步进行分类，可以使用 _序列对序列 LSTM 网络_。
可下载资源
序列_对_序列 LSTM 网络使您能够对序列数据的每个单独时间步进行不同的预测。
此示例使用从佩戴在身上的智能手机获取的传感器数据。该示例训练 LSTM 网络，以在给定时间序列数据的情况下识别佩戴者的活动，这些数据表示三个不同方向的加速度计读数。
训练数据包含七个时间序列数据。每个序列具有三个特征并且长度不同。数据集包含六个训练观察和一个测试观察。
加载序列数据
加载人类活动识别数据。该数据包含从佩戴在身上的智能手机获得的七个时间序列的传感器数据。每个序列具有三个特征并且长度不同。这三个特征对应于三个不同方向的加速度计读数。
XTrain
在图中可视化一个训练序列。绘制第一个训练序列的第一个特征，并根据相应的活动为绘图着色。
figure for j = 1:numel label = classes; idx = find hold on plot end
定义 LSTM 网络架构
定义 LSTM 网络架构。将输入指定为大小为 3 的序列（输入数据的特征数）。指定一个具有 200 个隐藏单元的 LSTM 层，并输出完整的序列。最后，通过包括一个大小为 5 的全连接层，然后是一个 softmax 层和一个分类层来指定五个类。
layers = \[ ... seuenceutLaer lsmLyer fulyCnectdyer sotmLyer clssfcainLyr\];
指定训练选项。将求解器设置为 'adam'。训练 60 个 epoch。
使用指定的训练选项训练 LSTM 网络 trainNetwork。每个 mini-batch 包含整个训练集，因此每个 epoch 更新一次图。序列很长，因此处理每个小批量和更新绘图可能需要一些时间。
测试 LSTM 网络
加载测试数据并在每个时间步进行分类。
加载人类活动测试数据。 XTest 包含一个维度为 3 的单个序列。 YTest is 包含与每个时间步相对应的分类标签序列。
figure plot xlabel legend title
随时关注您喜欢的主题
使用对测试数据进行分类 。
YPrd = clssif;
或者，您可以使用 一次进行一个时间步长的预测 。通常，与一次一个时间步进行预测相比，对完整序列进行预测会更快。有关如何通过在单个时间步预测之间更新网络来预测未来时间步的示例。
计算预测的准确性。
ac = sum(YPrd == YTst{1})./nul(YTs{1})
使用绘图将预测与测试数据进行比较。
plot hold on plot hold off
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
【视频讲解】Python深度神经网络DNNs-K-Means（K-均值）聚类方法在MNIST等数据可视化对比分析
MATLAB用CNN-LSTM神经网络的语音情感分类深度学习研究
Python用CEEMDAN-LSTM-VMD金融股价数据预测及SVR、AR、HAR对比可视化
Python注意力机制Attention下CNN-LSTM-ARIMA混合模型预测中国银行股票价格|附数据代码
