一、概述

關于LSTM同系列的前一篇文章寫的是利用LSTM網絡對電力負荷進行預測【LSTM預測】，其本質是sequence-to-sequence problems，序列到序列的預測應用。這里做一下sequence-to-label classification problems，序列到標簽的分類應用【LSTM分類】。關于LSTM的網絡特性不再贅述。

本篇博文的具體示例是對給定的電力負荷進行分類，電力負荷數據格式為每日96個數據點的一維時間序列值，每條負荷數據均對應一個類型標簽，總共類別為6類。其他的例子可以參考官網給定的japaneseVowelsTrainData 案例。

負荷數據是某電力公司內部數據，鑒于保密要求，這里僅描述數據格式，負荷數據集不提供。

• 類別：6
• 數據長度：96
• 訓練數據條數：9821
• 測試數據條數：2456

二、數據格式轉換

首先看一下需要傳到LSTM網絡的訓練參數格式。

trainedNet = trainNetwork(C, Y, layers, options);

它必須從序列輸入層開始，C是一個包含序列或時間序列預測器的元胞數組。C是d行1列，d代表有多少個訓練樣本，每個訓練樣本又包括N行M列，N代表訓練樣本的數據維度，M代表序列長度，y是標簽的分類向量，是categorical類型。

因此，訓練數據應該轉換成元胞數組，訓練數據標簽應該轉換成categorical類型。

2.1 訓練數據格式轉換

代碼如下所示，用XTrain和YTrain來代替上述訓練網絡中的C和Y。

dataStandardlized是原始數據標準化后的數據，dataStandardlizedLable是每條數據對應的類別標簽，num型。獲得XTrain需要通過XTrainData轉換成元胞數組，XTrain每一行是一條負荷訓練樣本數據，即1*96的數據。

YTrain是categorical類別數組，可以通過categorial函數轉換，但是輸入參數時字符元胞數組，因此現將XTrainLabel轉換成字符矩陣，然后再將矩陣轉換成元胞數組，最后轉換成categorical類型。

%提取訓練樣本數據 XTrainSize = 9821; XTrainData = dataStandardlized(1:XTrainSize,:); XTrainLabel = dataStandardlizedLable(1:XTrainSize,:);%XTrain for i = 1:size(XTrainData,1)XTrain{i,1} = XTrainData(i,:); end%YTrain TrainstrLable = num2str(XTrainLabel);% num to str for i = 1:size(XTrainData,1)% str matrix to cellTraincellLable{i,1} = TrainstrLable(i,1); end YTrain = categorical(TraincellLable);%cell to categorical

2.2 測試數據格式轉換

測試數據格式轉換方法與訓練數據格式轉換相同，見代碼。

%提取測試樣本 XTestData = dataStandardlized(1+XTrainSize:end,:); XTestLabel = dataStandardlizedLable(1+XTrainSize:end,:); %XTest for i = 1:size(XTestData,1)XTest{i,1} = XTestData(i,:); end %YTest TeststrLable = num2str(TestLabel);% num to str for i = 1:size(XTestData,1)TestcellLable{i,1} = TeststrLable(i,1);% str matrix to cell end YTest = categorical(TestcellLable);%cell to categorical

三、網絡參數設置

前面講到了TrainNetwork的C和Y，這里描述一下網絡參數?layers和options的具體配置。

3.1 layers

layers用于定義訓練網絡的架構，按照網絡架構的先后，依次填寫到layers的每一行。

首先定義LSTM網絡架構：

• 將輸入大小指定為序列大小 1（輸入數據的維度,指同一時間下的數據維度）
• 指定具有 100 個隱含單元的雙向 LSTM 層，并輸出序列的最后一個元素。
• 指定六個類，包含大小為 1 的全連接層，后跟 softmax 層和分類層。

inputSize = 1; numHiddenUnits = 100; numClasses = 6;layers = [ ...sequenceInputLayer(inputSize)bilstmLayer(numHiddenUnits,'OutputMode','last')fullyConnectedLayer(numClasses)softmaxLayerclassificationLayer]

具體地：??

sequenceInputLayer(inputSize)：序列輸入層，指定輸入維度

bilstmLayer(numHiddenUnits,'OutputMode','last')：雙向LSTM層，指定隱藏節點，輸出模式為‘last’即輸出最后一個分類值

fullyConnectedLayer(numClasses)：全連接層，指定輸出類別的個數

softmaxLayer：這層是輸出各類別分類的的概率

classificationLayer：分類層，輸出最后的分類結果，類似于概率競爭投票。

3.2 options

options用于指定訓練網絡的優化選項，通過調用trainingOptions進行設置。

此處指定訓練選項：

• 求解器為 'adam'
• 梯度閾值為 1，最大輪數為 100。
• 100作為小批量數。
• 填充數據以使長度與最長序列相同，序列長度指定為 'longest'。
• 數據保持按序列長度排序的狀態，不打亂數據。
• 'ExecutionEnvironment' 指定為 'cpu'，設定為'auto'表明使用GPU。

maxEpochs = 100; miniBatchSize = 100;options = trainingOptions('adam', ...'ExecutionEnvironment','cpu', ...'GradientThreshold',1, ...'MaxEpochs',maxEpochs, ...'MiniBatchSize',miniBatchSize, ...'SequenceLength','longest', ...'Shuffle','never', ...'Verbose',0, ...'Plots','training-progress');

四、訓練LSTM網絡

將前面準備好的參數送入訓練網絡，等待訓練結束。

net = trainNetwork(XTrain,YTrain,layers,options);

我這里的訓練時間非常長，當然訓練過程與隱藏節點數，訓練數據的維度和訓練次數以及電腦配置有關系，我這里單CPU訓練耗時112分鐘。

五、利用LSTM網絡進行分類

利用標準結果和分類結果計算分類的正確率。

使用classify函數進行分類，同訓練過程一樣，仍然要指定小批量大小為100，指定組內數據按照最長的數據填充。

miniBatchSize = 100; YPred = classify(net,XTest, ...'SequenceLength','longest','MiniBatchSize',miniBatchSize); %計算分類準確度 acc = sum(YPred == YTest)./numel(YTest)

可以看到分類精度達到92%，還是很不錯了。

------分享知識，讓人愉悅，原創博文，支持請點贊。

總結

以上是生活随笔為你收集整理的深度学习--Matlab使用LSTM长短期记忆网络对负荷进行分类的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。