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JapaneseVowelsNetpretrained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
