主要内容
Simulink中的网络状态分类与更新金宝app
此示例显示了如何使用金宝app有状态分类这个例子使用了一个预训练的长短时记忆（LSTM）网络。
负载Pretrained网络
负载日本世界新闻网，一个预先训练的长短时记忆（LSTM）网络，在日语元音数据集上训练，如[1]和[2]中所述。该网络在按序列长度排序的序列上训练，最小批量为27。
负载日本世界新闻网
查看网络架构。
网。层
ans=5x1带层的层阵列：1“sequenceinput”带12维的序列输入序列输入2“lstm”带100个隐藏单元的lstm lstm 3“fc”完全连接9个完全连接的层4“softmax”softmax 5“classoutput”带“1”和8个其他类的分类输出crossentropyex
负载测试数据
加载日语元音测试数据。XTest是一个单元阵列，包含370个不同长度的12维序列。伊泰斯特是标签“1”、“2”、“9”的分类向量，对应于九个说话人。
[XTest,欧美]= japaneseVowelsTestData;X = XTest {94};numTimeSteps =大小(X, 2);
金宝appSimulink数据分类模型
用于分类金宝app数据的Simulink模型包含有状态分类块来预测标签和MATLAB函数块以在时间步长上加载输入数据序列。
开放式系统(“StatefulClassifyExample”);
为仿真配置模型
设置输入块的模型配置参数和有状态分类块
设置参数(“StatefulClassifyExample/Input”,“价值”,“X”)；设置参数(“StatefulClassifyExample/Index”,“上传”,“numTimeSteps-1”)；设置参数(“StatefulClassifyExample/Stateful Classify”,“NetworkFilePath”,“JapaneseVowelsNet.mat”)；设置参数(“StatefulClassifyExample”,“模拟模式”,“正常”);
运行模拟
计算日本世界新闻网网络，运行模拟。预测标签保存在MATLAB®工作区中。
out=sim(“StatefulClassifyExample”);
在楼梯图中绘制预测标签。该图显示预测在时间步长之间的变化。
标签=挤压(out.YPred.Data (1: numTimeSteps, 1));图楼梯(标签,“-o”)xlim（[1 numTimeSteps]）xlabel(“时间步长”) ylabel (“预测类”)头衔(“随时间步长的分类”)
将预测与真实标签进行比较。绘制一条水平线，显示观察的真实标签。
trueLabel=double（YTest（94））；保持在行（[1 numTimeSteps]，[trueLabel trueLabel]，...“颜色”,“红色”,...“线条样式”,'--')传奇([“预测”“真实标签”])轴（[1 numTimeSteps+1 0 9]）；
参考文献
工藤、富山、新保。“使用通过区域的多维曲线分类”。模式识别字母第20卷，第11-13号，第1103-1111页。
[2]UCI机器学习知识库:日语元音数据集. https://archive.ics.uci.edu/ml/datasets/Japanese+元音
另见
相关的话题
您还可以从以下列表中选择网站：
