加载数据

加载日语元音数据集，如中所述［1］和[2]．预测器是包含不同长度序列的单元阵列，特征维数为12。标签是标签1,2，…，9的分类向量。

[XTrain，YTrain]=日本全球应变数据；[XValidation，YValidation]=日本世界最新数据；

查看前几个训练序列的大小。序列是具有12行（每个特征一行）和不同列数（每个时间步一列）的矩阵。

XTrain (1:5)

ans=5×1单元阵列{12×20-double}{12×26-double}{12×22-double}{12×20-double}{12×21-double}

定义网络架构

打开深层网络设计器。

deepNetworkDesigner

暂停上要标记的序列点击打开. 这打开了一个适合序列分类问题的预构建网络。

深度网络设计器显示预构建的网络。

您可以轻松地为日语元音数据集调整此序列网络。

选择序列输入层和检查InputSize设置为12以匹配特征维度。

选择第一层设定努米登单位到100年。

选择完全连接层和检查输出大小设置为9，即类的数量。

检查网络架构

要检查网络并检查图层的更多详细信息，请单击分析．

出口网络体系结构

要将网络架构导出到工作区，请在设计师选项卡，单击出口．深度网络设计器将网络保存为变量第1层．

您还可以通过选择生成代码来构建网络体系结构出口>生成代码．

列车网络

指定培训选项并培训网络。

因为小批量小，序列短，所以CPU更适合于训练“执行环境”到“cpu”。若要在GPU上进行训练，请设置“执行环境”到“自动”（默认值）。

最小批量大小=27；选项=培训选项(“亚当”,...“执行环境”,“cpu”,...“MaxEpochs”,100,...“MiniBatchSize”，小批量，...“ValidationData”{XValidation, YValidation},...“梯度阈值”，2，...“洗牌”,“every-epoch”,...“冗长”假的,...“情节”,“培训进度”);

培训网络。

net=列车网络（XTrain、YTrain、层1、选项）；

测试网络

对测试数据进行分类，并计算分类精度。指定与培训相同的小批量大小。

YPred=分类（净、验证、，“MiniBatchSize”，小批量）；acc=平均值（YPred==YValidation）

acc=0.9432

对于下一步，您可以尝试使用双向LSTM（BiLSTM）层或创建更深的网络来提高精度。有关更多信息，请参阅长短时记忆网络．

有关如何使用卷积网络对序列数据进行分类的示例，请参见基于深度学习的语音命令识别．

参考文献

[1] 工藤、Mineichi、富山君和Masaru Shimbo。“使用通过区域的多维曲线分类”，《模式识别字母20》，第11-13期（1999年11月）：1103-11。https://doi.org/10.1016/S0167-8655（99）00077-X。

工藤、民一、富山俊和《新报》。日语元音数据集。由UCI机器学习知识库分发。https://archive.ics.uci.edu/ml/datasets/Japanese+元音