分类预测 | MATLAB实现BiLSTM双向长短期记忆神经网络多特征分类预测

分类预测 | MATLAB实现BiLSTM双向长短期记忆神经网络多特征分类预测

目录

• ​​分类预测 | MATLAB实现BiLSTM双向长短期记忆神经网络多特征分类预测​​

• ​​分类效果​​
• ​​基本介绍​​
• ​​程序设计​​
• ​​模型描述​​
• ​​参考资料​​

分类效果

基本介绍

采用双向长短期记忆网络BiLSTM模型对数据进行多特征分类预测
本次运行测试环境MATLAB2018b；本次预测基本任务是分类，多特征输入，分四类标签。

程序设计

• 完整源码和数据：​​BiLSTM双向长短期记忆神经网络多特征分类预测​​

maxEpochs = 200;   %最大训练周期数
miniBatchSize = 10;%批处理  

options = trainingOptions('adam', ...
    'ExecutionEnvironment','cpu', ...
    'MaxEpochs',maxEpochs, ...
    'MiniBatchSize',miniBatchSize, ...
    'GradientThreshold',1, ...
    'Verbose',false, ...
    'Plots','training-progress');
————————————————
版权声明：本文为CSDN博主「机器学习之心」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

模型描述

BiLSTM双向长短期记忆在接下来的工作中被许多人改进和推广，在各种各样的问题上表现非常出色，现在被广泛使用。BiLSTM双向长短期记忆被明确设计用来避免长期依赖性问题。所有递归神经网络都具有神经网络的链式重复模块。在标准的 RNN 中，这个重复模块具有非常简单的结构，例如只有单个 tanh 层。分类的预测任务，首先通过已有的数据集（训练集）进行训练学习，得到一个目标函数（学习模型或分类规则），再通过检验集的数据对该模型的准确度评估，若通过评估，则该规则应用于新的数据元组分类。分类器在给定检验集上的准确率是指分类器正确分类的检验元组所占的百分比。通过每个检验元组的类标号与学习模型对该元组的类预测进行比较。