特产网站开发的目的,设计企业网站内容,安全的网站建设公,四川seo排名一、概述
关于LSTM同系列的前一篇文章写的是利用LSTM网络对电力负荷进行预测【LSTM预测】#xff0c;其本质是sequence-to-sequence problems#xff0c;序列到序列的预测应用。这里做一下sequence-to-label classification problems#xff0c;序列到标签的分类应用【LSTM…一、概述
关于LSTM同系列的前一篇文章写的是利用LSTM网络对电力负荷进行预测【LSTM预测】其本质是sequence-to-sequence problems序列到序列的预测应用。这里做一下sequence-to-label classification problems序列到标签的分类应用【LSTM分类】。关于LSTM的网络特性不再赘述。
本篇博文的具体示例是对给定的电力负荷进行分类电力负荷数据格式为每日96个数据点的一维时间序列值每条负荷数据均对应一个类型标签总共类别为6类。其他的例子可以参考官网给定的japaneseVowelsTrainData 案例。
负荷数据是某电力公司内部数据鉴于保密要求这里仅描述数据格式负荷数据集不提供。
类别6数据长度96训练数据条数9821测试数据条数2456
二、数据格式转换
首先看一下需要传到LSTM网络的训练参数格式。
trainedNet trainNetwork(C, Y, layers, options);
它必须从序列输入层开始C是一个包含序列或时间序列预测器的元胞数组。C是d行1列d代表有多少个训练样本每个训练样本又包括N行M列N代表训练样本的数据维度M代表序列长度y是标签的分类向量是categorical类型。
因此训练数据应该转换成元胞数组训练数据标签应该转换成categorical类型。
2.1 训练数据格式转换
代码如下所示用XTrain和YTrain来代替上述训练网络中的C和Y。
dataStandardlized是原始数据标准化后的数据dataStandardlizedLable是每条数据对应的类别标签num型。获得XTrain需要通过XTrainData转换成元胞数组XTrain每一行是一条负荷训练样本数据即1*96的数据。
YTrain是categorical类别数组可以通过categorial函数转换但是输入参数时字符元胞数组因此现将XTrainLabel转换成字符矩阵然后再将矩阵转换成元胞数组最后转换成categorical类型。
%提取训练样本数据
XTrainSize 9821;
XTrainData dataStandardlized(1:XTrainSize,:);
XTrainLabel dataStandardlizedLable(1:XTrainSize,:);%XTrain
for i 1:size(XTrainData,1)XTrain{i,1} XTrainData(i,:);
end%YTrain
TrainstrLable num2str(XTrainLabel);% num to str
for i 1:size(XTrainData,1)% str matrix to cellTraincellLable{i,1} TrainstrLable(i,1);
end
YTrain categorical(TraincellLable);%cell to categorical
2.2 测试数据格式转换
测试数据格式转换方法与训练数据格式转换相同见代码。
%提取测试样本
XTestData dataStandardlized(1XTrainSize:end,:);
XTestLabel dataStandardlizedLable(1XTrainSize:end,:);
%XTest
for i 1:size(XTestData,1)XTest{i,1} XTestData(i,:);
end
%YTest
TeststrLable num2str(TestLabel);% num to str
for i 1:size(XTestData,1)TestcellLable{i,1} TeststrLable(i,1);% str matrix to cell
end
YTest categorical(TestcellLable);%cell to categorical
三、网络参数设置
前面讲到了TrainNetwork的C和Y这里描述一下网络参数 layers和options的具体配置。
3.1 layers
layers用于定义训练网络的架构按照网络架构的先后依次填写到layers的每一行。
首先定义LSTM网络架构
将输入大小指定为序列大小 1输入数据的维度,指同一时间下的数据维度指定具有 100 个隐含单元的双向 LSTM 层并输出序列的最后一个元素。指定六个类包含大小为 1 的全连接层后跟 softmax 层和分类层。
inputSize 1;
numHiddenUnits 100;
numClasses 6;layers [ ...sequenceInputLayer(inputSize)bilstmLayer(numHiddenUnits,OutputMode,last)fullyConnectedLayer(numClasses)softmaxLayerclassificationLayer]
具体地
sequenceInputLayer(inputSize)序列输入层指定输入维度bilstmLayer(numHiddenUnits,OutputMode,last)双向LSTM层指定隐藏节点输出模式为‘last’即输出最后一个分类值fullyConnectedLayer(numClasses)全连接层指定输出类别的个数softmaxLayer这层是输出各类别分类的的概率classificationLayer分类层输出最后的分类结果类似于概率竞争投票。
3.2 options
options用于指定训练网络的优化选项通过调用trainingOptions进行设置。
此处指定训练选项
求解器为 adam梯度阈值为 1最大轮数为 100。100作为小批量数。填充数据以使长度与最长序列相同序列长度指定为 longest。数据保持按序列长度排序的状态不打乱数据。ExecutionEnvironment 指定为 cpu设定为auto表明使用GPU。
maxEpochs 100;
miniBatchSize 100;options trainingOptions(adam, ...ExecutionEnvironment,cpu, ...GradientThreshold,1, ...MaxEpochs,maxEpochs, ...MiniBatchSize,miniBatchSize, ...SequenceLength,longest, ...Shuffle,never, ...Verbose,0, ...Plots,training-progress);
四、训练LSTM网络
将前面准备好的参数送入训练网络等待训练结束。
net trainNetwork(XTrain,YTrain,layers,options);
我这里的训练时间非常长当然训练过程与隐藏节点数训练数据的维度和训练次数以及电脑配置有关系我这里单CPU训练耗时112分钟。 五、利用LSTM网络进行分类
利用标准结果和分类结果计算分类的正确率。
使用classify函数进行分类同训练过程一样仍然要指定小批量大小为100指定组内数据按照最长的数据填充。
miniBatchSize 100;
YPred classify(net,XTest, ...SequenceLength,longest,MiniBatchSize,miniBatchSize);
%计算分类准确度
acc sum(YPred YTest)./numel(YTest) 可以看到分类精度达到92%还是很不错了。
------分享知识让人愉悦原创博文支持请点赞。
