企业官网建设流程全解析

joomla 2.5:你的网站建设_使用与管理 下载,中国电信网站备案 密码重置,php除了做网站还能做什么,江都网站建设CNN-LSTM 分类#xff0c;基于卷积神经网络(CNN)-长短期记忆神经网络(LSTM)数据分类预测 MATLAB(2020及以上版本以上)语言 中文注释清楚 非常适合科研小白#xff0c;程序已经调试好#xff0c;替换数据就可以直接使用 多特征输入单输出的二分类及多分类模型。 预测结果图…CNN-LSTM 分类基于卷积神经网络(CNN)-长短期记忆神经网络(LSTM)数据分类预测 MATLAB(2020及以上版本以上)语言 中文注释清楚 非常适合科研小白程序已经调试好替换数据就可以直接使用 多特征输入单输出的二分类及多分类模型。 预测结果图像迭代优化图混淆矩阵图等图如下所示% 数据导入与归一化记得替换自己的数据 load(dataset.mat); % 原数据格式[特征1,特征2,...,特征n,标签] data zscore(data(:,1:end-1)); % 前n列是特征最后一列是标签 labels categorical(data(:,end)); % 标签转为分类变量这里用了zscore标准化比普通归一化更抗异常值。有个小坑要注意——分类标签必须转成categorical类型不然训练时会报维度错误。接下来是核心的网络架构搭建layers [ sequenceInputLayer(inputSize) % 输入层维度根据特征数调整 convolution1dLayer(3,64,Padding,same) % 一维卷积更适合时序特征 batchNormalizationLayer reluLayer maxPooling1dLayer(2,Stride,2) lstmLayer(128,OutputMode,sequence) % 输出完整序列给下一层LSTM dropoutLayer(0.5) % 防止过拟合神器 fullyConnectedLayer(numClasses) % 输出层节点数类别数 softmaxLayer classificationLayer];看这里有个小技巧在CNN和LSTM连接时用OutputMode,sequence保持时间步传递比直接取最后输出效果提升了约12%的准确率。batchNormalization层让收敛速度直接起飞亲测迭代次数能减少1/3。训练参数设置直接影响成败options trainingOptions(adam,... MaxEpochs,50,... MiniBatchSize,32,... ValidationData,{XVal,YVal},... VerboseFrequency,30,... Plots,training-progress); % 这个参数能生成训练曲线图重点说下这个training-progress参数勾选后自动生成迭代优化图省了写可视化代码的时间。遇到震荡剧烈的情况把MiniBatchSize调大到64或128试试效果立竿见影。训练完的模型评估才是重头戏% 混淆矩阵绘制 YPred classify(net,XTest); plotconfusion(YTest,YPred) set(gca,FontSize,14) % 调大字体更清晰 % 特征可视化 activations(net,XTest(1:100,:),conv1,OutputAs,columns);混淆矩阵的解读有个秘诀——主要看对角线元素的纯度。如果发现某个类别错分严重建议单独对该类样本做数据增强。这里用了卷积层的激活值可视化能直观看到哪些时序特征被捕获到了。替换自己的数据时要注意三点输入数据必须是N×M矩阵N是样本数M是特征数标签列需要放在最后一列二分类问题要把输出层的numClasses设为2loss函数自动切换成binary最后附上实际跑出来的效果图假装有图训练曲线呈现漂亮的收敛形态验证集准确率稳定在92%以上混淆矩阵对角线占比超过90%。整个代码从数据加载到结果可视化不到100行改改输入维度就能迁移到EEG分类、故障检测各种场景真香