在仿真软件进行分类和更新网络状态金宝app
这个例子展示了如何分类数据的递归神经网络训练仿真软件®使用金宝app有状态的分类
块。这个示例使用pretrained长短期记忆(LSTM)网络。
负载Pretrained网络
负载JapaneseVowelsNet
pretrained长短期记忆(LSTM)网络训练中描述的日本元音数据集[1]和[2]。这个网络是训练序列按序列长度与mini-batch 27的大小。
负载JapaneseVowelsNet
查看网络体系结构。
analyzeNetwork(净);
负载测试数据
日本元音测试数据加载。XTest
是一个单元阵列包含370维度12可变长度的序列。tt
是一个分类向量的标签“1”,“2”,…”9”,对应于九个扬声器。
创建一个数组的时间表思敏
带时间戳的行和重复的副本X
。
(XTest, tt) = japaneseVowelsTestData;X = XTest {94};numTimeSteps =大小(X, 2);思敏=时间表(repmat (X 1 4)”,“步伐”秒(0.2));
金宝app仿真软件模型分类数据
分类的仿金宝app真软件模型包含一个数据有状态的分类
块标签和预测从工作空间
块加载输入数据序列的时间步骤。
递归神经网络的状态重置为其初始状态在仿真中,将有状态的分类
块内复位子系统
并使用重置
控制信号触发。
open_system (“StatefulClassifyExample”);
配置模型模拟
设置模型配置参数有状态的分类
块。
set_param (“StatefulClassifyExample /状态分类”,“NetworkFilePath”,“JapaneseVowelsNet.mat”);set_param (“StatefulClassifyExample”,“SimulationMode”,“正常”);
运行仿真
计算反应的JapaneseVowelsNet
网络,仿真运行。预测标签保存在MATLAB®工作区。
= sim卡(“StatefulClassifyExample”);
情节预测标签在一个楼梯。情节变化之间的时间步骤显示了如何预测。
标签=挤压(out.YPred.Data (1: numTimeSteps, 1));图楼梯(标签,“o”)xlim ([1 numTimeSteps])包含(“时间步”)ylabel (“预测阶级”)标题(“随着时间的推移,分类步骤”)
比较预测和真正的标签。画一条水平线显示观察真正的标签。
trueLabel =双(tt (94));持有在线([1 numTimeSteps], [trueLabel trueLabel),…“颜色”,“红色”,…“线型”,“——”)传说([“预测”“真正的标签”])轴([1 numTimeSteps + 1 0 9]);
引用
[1]m .奖赏,富山,和m . Shimbo。“多维曲线分类使用通过地区。”模式识别的字母。11 - 13号20卷,第1111 - 1103页。
[2]UCI机器学习库:日本元音数据集。https://archive.ics.uci.edu/ml/datasets/Japanese +元音