LSTM分类详细介绍

源码

什么是LSTM分类？

LSTM分类（Long Short-Term Memory Classification）是一种基于**长短期记忆网络（Long Short-Term Memory, LSTM）**的分类方法。LSTM是一种特殊的递归神经网络（Recurrent Neural Network, RNN），设计用于处理和预测序列数据中的长期依赖关系。与传统的RNN相比，LSTM通过其独特的门控机制（输入门、遗忘门和输出门）有效地缓解了梯度消失和爆炸问题，能够记忆和遗忘信息，从而在处理长序列数据时表现出色。

LSTM分类的组成部分

1. 数据预处理：

   • 数据导入与整理：读取分类任务所需的序列数据，处理缺失值和异常值，确保数据质量。
   • 数据构造：将序列数据转换为适合LSTM网络输入的格式，通常包括时间步长的设置和输入输出对的构建。
   • 数据归一化：对输入数据进行归一化或标准化处理，以加快训练速度和提高模型稳定性。

2. LSTM模型构建：

   • 定义网络结构：设定LSTM网络的层数、每层的神经元数量以及其他网络参数。
   • 添加激活层和全连接层：在LSTM层后添加激活函数（如ReLU）和全连接层，以实现分类任务。

3. 模型训练与预测：

   • 设置训练参数：定义优化算法、学习率、批量大小、迭代次数等训练参数。
   • 模型训练：使用训练集数据训练LSTM模型，优化网络权重。
   • 模型预测：使用训练好的LSTM模型对训练集和测试集数据进行预测，得到分类结果。

4. 结果分析与可视化：

   • 性能指标计算：计算分类准确率、混淆矩阵等指标，评估模型的分类性能。
   • 绘制对比图：绘制训练集和测试集的真实类别与预测类别对比图，直观展示模型的分类效果。
   • 混淆矩阵：绘制混淆矩阵，分析分类错误的具体情况。

LSTM分类的优势

1. 捕捉长期依赖关系：

   • LSTM通过其门控机制能够记忆和利用序列中的长期依赖信息，适用于处理具有时间依赖性的序列数据。

2. 抗梯度消失和爆炸：

   • 与传统RNN相比，LSTM有效缓解了梯度消失和爆炸问题，使得网络能够更好地训练深层结构。

3. 灵活的网络结构：

   • LSTM网络结构灵活，可以根据任务需求调整层数和每层的神经元数量，适应不同复杂度的分类任务。

4. 广泛的应用领域：

   • LSTM在自然语言处理、时间序列分析、语音识别等多个领域表现出色，具有广泛的应用前景。

LSTM分类的应用

LSTM分类广泛应用于需要处理序列数据的各种分类任务，包括但不限于：

1. 自然语言处理：

   • 文本分类：将文本数据分类为不同的类别，如情感分析、垃圾邮件检测等。
   • 语言识别：识别文本的语言类型。

2. 时间序列分析：

   • 故障检测：根据设备的时间序列数据检测潜在的故障类别。
   • 行为识别：识别用户的行为类别，如运动类型分类。

3. 语音识别：

   • 语音命令分类：将语音命令分类为不同的操作指令。
   • 说话人识别：根据语音特征识别说话人的身份类别。

4. 金融预测：

   • 信用评分：根据客户的历史金融数据预测信用评分类别。
   • 市场情绪分类：根据市场数据分类市场情绪状态。

5. 医疗健康：

   • 疾病分类：根据患者的医疗记录分类疾病类型。
   • 症状识别：根据症状数据分类健康状态。

如何使用LSTM分类

使用LSTM分类模型主要包括以下步骤：

1. 准备数据集：

   • 数据收集与整理：确保序列数据的完整性和准确性，处理缺失值和异常值。
   • 数据构造：将序列数据转换为适合LSTM网络输入的格式，包括时间步长的设置和输入输出对的构建。
   • 数据归一化：对输入数据进行归一化或标准化处理，以加快训练速度和提高模型稳定性。

2. 构建LSTM模型：

   • 定义网络结构：设定LSTM网络的层数、每层的神经元数量，以及添加必要的激活层和全连接层。
   • 设置训练参数：定义优化算法（如Adam）、学习率、批量大小、迭代次数等训练参数。

3. 模型训练与预测：

   • 模型训练：使用训练集数据训练LSTM模型，优化网络权重。
   • 模型预测：使用训练好的LSTM模型对训练集和测试集数据进行预测，得到分类结果。

4. 模型评估与优化：

   • 计算性能指标：计算分类准确率、混淆矩阵等指标，全面评估模型的分类性能。
   • 优化模型参数：根据性能指标调整LSTM模型的参数（如学习率、网络结构等），进一步优化模型性能。

5. 结果分析与可视化：

   • 预测结果对比图：绘制训练集和测试集的真实类别与预测类别对比图，直观展示模型的分类效果。
   • 混淆矩阵：绘制混淆矩阵，分析分类错误的具体情况。

---

MATLAB代码（添加详细中文注释）

以下是包含详细中文注释的LSTM分类MATLAB代码。

%% 初始化
clear              % 清除工作区中的所有变量，确保没有残留变量影响结果
close all          % 关闭所有打开的图形窗口，确保绘图环境的干净
clc                % 清空命令行窗口，提升可读性
warning off        % 关闭所有警告信息，避免运行过程中显示不必要的警告

%% 读取数据
res = xlsread('数据集.xlsx');  % 从Excel文件中读取数据，假设数据的最后一列为类别标签
% res变量存储了读取的数据，数据应按照时间顺序排列

%% 分析数据
num_class = length(unique(res(:, end)));  % 获取类别数，假设数据的最后一列是类别标签
num_dim = size(res, 2) - 1;               % 特征维度，即总列数减去类别列
num_res = size(res, 1);                   % 样本数，即数据的行数
num_size = 0.7;                           % 训练集占数据集的比例，这里设定为70%
res = res(randperm(num_res), :);          % 打乱数据集顺序（如果不需要打乱数据集，注释该行）
flag_conusion = 1;                        % 是否绘制混淆矩阵的标志（1为绘制，0为不绘制）

%% 设置变量存储数据
P_train = []; P_test = [];  % 输入数据：训练集和测试集
T_train = []; T_test = [];  % 输出数据：训练集和测试集

%% 划分数据集
for i = 1 : num_class
    mid_res = res((res(:, end) == i), :);           % 提取当前类别的数据
    mid_size = size(mid_res, 1);                    % 当前类别的样本个数
    mid_train_size = round(num_size * mid_size);    % 该类别的训练样本数
    
    % 划分训练集和测试集
    P_train = [P_train; mid_res(1: mid_train_size, 1: end - 1)];  % 训练集输入数据
    T_train = [T_train; mid_res(1: mid_train_size, end)];         % 训练集输出数据
    
    P_test  = [P_test; mid_res(mid_train_size + 1: end, 1: end - 1)];  % 测试集输入数据
    T_test  = [T_test; mid_res(mid_train_size + 1: end, end)];         % 测试集输出数据
end
% 通过逐类别划分，确保训练集和测试集在每个类别中都有代表性

%% 数据转置
P_train = P_train'; P_test = P_test';  % 转置输入数据，使每列为一个样本
T_train = T_train'; T_test = T_test';  % 转置输出数据，使每列为一个样本

%% 得到训练集和测试样本个数
M = size(P_train, 2);  % 训练集样本数
N = size(P_test , 2);  % 测试集样本数

%% 数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);  % 对训练集输入特征进行归一化，范围[0,1]
P_test  = mapminmax('apply', P_test, ps_input);  % 使用训练集的归一化参数对测试集输入特征进行归一化

t_train = categorical(T_train)';  % 将训练集输出数据转换为分类类型，并转置
t_test  = categorical(T_test )';  % 将测试集输出数据转换为分类类型，并转置

%% 数据平铺
% 将数据平铺为1维数据（可选择平铺为2维或3维数据，需调整模型结构）
P_train = double(reshape(P_train, num_dim, 1, 1, M));  % 训练集数据平铺为4维数组 (特征维度 × 1 × 1 × 样本数)
P_test  = double(reshape(P_test , num_dim, 1, 1, N));  % 测试集数据平铺为4维数组 (特征维度 × 1 × 1 × 样本数)

%% 数据格式转换
% 将数据按样本重新整理为单元格数组，适应trainNetwork函数的输入要求
for i = 1 : M
    p_train{i, 1} = P_train(:, :, 1, i);  % 训练集数据存储，每个单元格包含一个样本的特征向量
end

for i = 1 : N
    p_test{i, 1}  = P_test(:, :, 1, i);  % 测试集数据存储，每个单元格包含一个样本的特征向量
end

%% 建立 LSTM 网络模型
layers = [
    sequenceInputLayer(num_dim)  % 输入层，输入数据的维度是特征数
    
    lstmLayer(6, 'OutputMode', 'last')  % LSTM层，包含6个LSTM单元，输出最后一个时间步的结果
    reluLayer                         % ReLU激活层，增加网络的非线性
    
    fullyConnectedLayer(num_class)     % 全连接层，输出为类别数
    softmaxLayer                      % Softmax层，将输出转换为概率分布
    classificationLayer];              % 分类层，计算损失并进行分类

%% 参数设置
options = trainingOptions('adam', ...      % 选择Adam优化算法
    'MaxEpochs', 1000, ...                 % 最大训练迭代次数设为1000
    'InitialLearnRate', 0.01, ...          % 初始学习率设为0.01
    'LearnRateSchedule', 'piecewise', ...  % 学习率下降策略设为分段下降
    'LearnRateDropFactor', 0.1, ...        % 学习率下降因子设为0.1
    'LearnRateDropPeriod', 750, ...        % 每750次迭代后学习率下降
    'Shuffle', 'every-epoch', ...          % 每个epoch结束后打乱数据集
    'ValidationPatience', Inf, ...         % 关闭验证，即不进行验证
    'L2Regularization', 1e-4, ...          % L2正则化参数设为1e-4，防止过拟合
    'Plots', 'training-progress', ...      % 绘制训练过程的进度图
    'Verbose', false);                     % 关闭训练过程中的详细信息显示

%% 训练模型
net = trainNetwork(p_train, t_train, layers, options);  % 使用训练数据训练LSTM网络

%% 预测模型
t_sim1 = predict(net, p_train);  % 对训练集数据进行预测，得到训练集预测结果
t_sim2 = predict(net, p_test );  % 对测试集数据进行预测，得到测试集预测结果

%% 反归一化
T_sim1 = vec2ind(t_sim1');  % 将训练集预测结果的概率向量转换为类别索引
T_sim2 = vec2ind(t_sim2');  % 将测试集预测结果的概率向量转换为类别索引

%% 性能评价
error1 = sum((T_sim1 == T_train)) / M * 100;  % 计算训练集的分类准确率（百分比）
error2 = sum((T_sim2 == T_test )) / N * 100;  % 计算测试集的分类准确率（百分比）

%% 绘制网络分析图
analyzeNetwork(layers);  % 可视化和分析LSTM网络的结构

%% 绘图
% 绘制训练集和测试集预测结果对比图

% 绘制训练集预测结果对比图
figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1) % 绘制训练集真实类别与预测类别的对比曲线，红色星形标记为真实值，蓝色圆形标记为预测值
legend('真实值', '预测值')                                        % 添加图例，区分真实值和预测值
xlabel('预测样本')                                                % 设置X轴标签为“预测样本”
ylabel('预测结果')                                                % 设置Y轴标签为“预测结果”
string = {'训练集预测结果对比'; ['准确率=' num2str(error1) '%']};  % 创建标题字符串，包括准确率
title(string)                                                    % 添加图形标题
grid                                                             % 显示网格，提升图形的可读性

% 绘制测试集预测结果对比图
figure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)   % 绘制测试集真实类别与预测类别的对比曲线，红色星形标记为真实值，蓝色圆形标记为预测值
legend('真实值', '预测值')                                        % 添加图例，区分真实值和预测值
xlabel('预测样本')                                                % 设置X轴标签为“预测样本”
ylabel('预测结果')                                                % 设置Y轴标签为“预测结果”
string = {'测试集预测结果对比'; ['准确率=' num2str(error2) '%']};   % 创建标题字符串，包括准确率
title(string)                                                    % 添加图形标题
grid                                                             % 显示网格，提升图形的可读性

%% 混淆矩阵
if flag_conusion == 1
    % 绘制训练集的混淆矩阵
    figure
    cm = confusionchart(T_train, T_sim1);                % 创建训练集的混淆矩阵
    cm.Title = '训练集混淆矩阵';                             % 设置混淆矩阵标题
    cm.ColumnSummary = 'column-normalized';               % 设置列摘要为列归一化
    cm.RowSummary = 'row-normalized';                     % 设置行摘要为行归一化
    
    % 绘制测试集的混淆矩阵
    figure
    cm = confusionchart(T_test, T_sim2);                 % 创建测试集的混淆矩阵
    cm.Title = '测试集混淆矩阵';                             % 设置混淆矩阵标题
    cm.ColumnSummary = 'column-normalized';               % 设置列摘要为列归一化
    cm.RowSummary = 'row-normalized';                     % 设置行摘要为行归一化
end

---

代码说明

1. 初始化

clear              % 清除工作区中的所有变量，确保没有残留变量影响结果
close all          % 关闭所有打开的图形窗口，确保绘图环境的干净
clc                % 清空命令行窗口，提升可读性
warning off        % 关闭所有警告信息，避免运行过程中显示不必要的警告

• clear：清除MATLAB工作区中的所有变量，确保代码运行环境的干净。
• close all：关闭所有打开的图形窗口，避免之前的图形干扰当前的绘图。
• clc：清空命令行窗口，提升可读性。
• warning off：关闭MATLAB中的所有警告信息，避免在代码运行过程中显示不必要的警告。

2. 读取数据

res = xlsread('数据集.xlsx');  % 从Excel文件中读取数据，假设数据的最后一列为类别标签
% res变量存储了读取的数据，数据应按照时间顺序排列

• xlsread：从指定的Excel文件数据集.xlsx中读取数据。
• res：存储读取的数据，假设数据的最后一列为类别标签，其他列为特征。

3. 分析数据

num_class = length(unique(res(:, end)));  % 获取类别数，假设数据的最后一列是类别标签
num_dim = size(res, 2) - 1;               % 特征维度，即总列数减去类别列
num_res = size(res, 1);                   % 样本数，即数据的行数
num_size = 0.7;                           % 训练集占数据集的比例，这里设定为70%
res = res(randperm(num_res), :);          % 打乱数据集顺序（如果不需要打乱数据集，注释该行）
flag_conusion = 1;                        % 是否绘制混淆矩阵的标志（1为绘制，0为不绘制）

• num_class：计算数据中的类别数量，通过对最后一列（类别标签）进行唯一值计数。
• num_dim：计算特征的维度，即数据的总列数减去类别列。
• num_res：计算数据的样本数量，即数据的行数。
• num_size：设定训练集占整个数据集的比例，这里设定为70%。
• randperm(num_res)：生成一个1到num_res的随机排列，用于打乱数据集顺序，确保训练集和测试集的分布均匀。如果不需要打乱数据集，可以注释该行。
• flag_conusion：设置是否绘制混淆矩阵的标志，1表示绘制，0表示不绘制。

4. 设置变量存储数据

P_train = []; P_test = [];  % 输入数据：训练集和测试集
T_train = []; T_test = [];  % 输出数据：训练集和测试集

• P_train 和 P_test：初始化训练集和测试集的输入数据存储变量。
• T_train 和 T_test：初始化训练集和测试集的输出数据存储变量。

5. 划分数据集

for i = 1 : num_class
    mid_res = res((res(:, end) == i), :);           % 提取当前类别的数据
    mid_size = size(mid_res, 1);                    % 当前类别的样本个数
    mid_train_size = round(num_size * mid_size);    % 该类别的训练样本数
    
    % 划分训练集和测试集
    P_train = [P_train; mid_res(1: mid_train_size, 1: end - 1)];  % 训练集输入数据
    T_train = [T_train; mid_res(1: mid_train_size, end)];         % 训练集输出数据
    
    P_test  = [P_test; mid_res(mid_train_size + 1: end, 1: end - 1)];  % 测试集输入数据
    T_test  = [T_test; mid_res(mid_train_size + 1: end, end)];         % 测试集输出数据
end

• for i = 1 : num_class：遍历每个类别。
• mid_res = res((res(:, end) == i), 😃：提取当前类别的数据。
• mid_size：当前类别的样本数量。
• mid_train_size：当前类别训练集的样本数量，通过将该类别的总样本数乘以训练集比例并四舍五入得到。
• P_train 和 T_train：将当前类别的训练集输入和输出数据添加到训练集存储变量中。
• P_test 和 T_test：将当前类别的测试集输入和输出数据添加到测试集存储变量中。

通过逐类别划分数据集，确保训练集和测试集在每个类别中都有代表性，避免类别不平衡问题。

6. 数据转置

P_train = P_train'; P_test = P_test';  % 转置输入数据，使每列为一个样本
T_train = T_train'; T_test = T_test';  % 转置输出数据，使每列为一个样本

• P_train 和 P_test：将输入数据矩阵转置，使每列为一个样本，符合后续模型输入的要求。
• T_train 和 T_test：将输出数据矩阵转置，使每列为一个样本，符合后续模型输出的要求。

7. 得到训练集和测试样本个数

M = size(P_train, 2);  % 训练集样本数
N = size(P_test , 2);  % 测试集样本数

• M：获取训练集的样本数量。
• N：获取测试集的样本数量。

8. 数据归一化

[P_train, ps_input] = mapminmax(P_train, 0, 1);  % 对训练集输入特征进行归一化，范围[0,1]
P_test  = mapminmax('apply', P_test, ps_input);  % 使用训练集的归一化参数对测试集输入特征进行归一化

t_train = categorical(T_train)';  % 将训练集输出数据转换为分类类型，并转置
t_test  = categorical(T_test )';  % 将测试集输出数据转换为分类类型，并转置

• mapminmax：使用mapminmax函数将数据缩放到指定的范围内，这里设定为[0,1]。
  • [P_train, ps_input] = mapminmax(P_train, 0, 1)：对训练集输入特征进行归一化，并保存归一化参数ps_input。
  • P_test = mapminmax(‘apply’, P_test, ps_input)：使用训练集的归一化参数对测试集输入特征进行归一化，确保训练集和测试集的数据尺度一致。
• categorical：将输出数据转换为分类类型，适应分类任务的需求。
  • t_train = categorical(T_train)'：将训练集输出数据转换为分类类型，并转置。
  • t_test = categorical(T_test )'：将测试集输出数据转换为分类类型，并转置。

9. 数据平铺

% 将数据平铺为1维数据（可选择平铺为2维或3维数据，需调整模型结构）
P_train = double(reshape(P_train, num_dim, 1, 1, M));  % 训练集数据平铺为4维数组 (特征维度 × 1 × 1 × 样本数)
P_test  = double(reshape(P_test , num_dim, 1, 1, N));  % 测试集数据平铺为4维数组 (特征维度 × 1 × 1 × 样本数)

• reshape：将输入数据矩阵重新排列为适合LSTM网络输入的4维数组格式。
  • P_train = double(reshape(P_train, num_dim, 1, 1, M))：将训练集输入数据平铺为4维数组，其中第1维为特征维度，第4维为样本数。
  • P_test = double(reshape(P_test , num_dim, 1, 1, N))：将测试集输入数据平铺为4维数组，其中第1维为特征维度，第4维为样本数。

10. 数据格式转换

% 将数据按样本重新整理为单元格数组，适应trainNetwork函数的输入要求
for i = 1 : M
    p_train{i, 1} = P_train(:, :, 1, i);  % 训练集数据存储，每个单元格包含一个样本的特征向量
end

for i = 1 : N
    p_test{i, 1}  = P_test(:, :, 1, i);  % 测试集数据存储，每个单元格包含一个样本的特征向量
end

• 单元格数组：将训练集和测试集的输入数据按样本存储在单元格数组中，符合trainNetwork函数的输入要求。
  • p_train{i, 1} = P_train(:, :, 1, i)：将第i个训练样本的特征向量存储在单元格数组p_train的第i个单元格中。
  • p_test{i, 1} = P_test(:, :, 1, i)：将第i个测试样本的特征向量存储在单元格数组p_test的第i个单元格中。

11. 建立LSTM网络模型

layers = [
    sequenceInputLayer(num_dim)  % 输入层，输入数据的维度是特征数
    
    lstmLayer(6, 'OutputMode', 'last')  % LSTM层，包含6个LSTM单元，输出最后一个时间步的结果
    reluLayer                         % ReLU激活层，增加网络的非线性
    
    fullyConnectedLayer(num_class)     % 全连接层，输出为类别数
    softmaxLayer                      % Softmax层，将输出转换为概率分布
    classificationLayer];              % 分类层，计算损失并进行分类

• sequenceInputLayer(num_dim)：定义序列输入层，输入数据的特征维度为num_dim。
• lstmLayer(6, ‘OutputMode’, ‘last’)：定义LSTM层，包含6个LSTM单元，输出最后一个时间步的结果。'OutputMode', 'last'表示只输出序列的最后一个时间步的结果，适用于分类任务。
• reluLayer：添加ReLU激活层，增加网络的非线性能力。
• fullyConnectedLayer(num_class)：添加全连接层，输出节点数量等于类别数，用于生成每个类别的得分。
• softmaxLayer：添加Softmax层，将全连接层的输出转换为概率分布，便于分类。
• classificationLayer：添加分类层，计算交叉熵损失并进行分类。

12. 参数设置

options = trainingOptions('adam', ...      % 选择Adam优化算法
    'MaxEpochs', 1000, ...                 % 最大训练迭代次数设为1000
    'InitialLearnRate', 0.01, ...          % 初始学习率设为0.01
    'LearnRateSchedule', 'piecewise', ...  % 学习率下降策略设为分段下降
    'LearnRateDropFactor', 0.1, ...        % 学习率下降因子设为0.1
    'LearnRateDropPeriod', 750, ...        % 每750次迭代后学习率下降
    'Shuffle', 'every-epoch', ...          % 每个epoch结束后打乱数据集
    'ValidationPatience', Inf, ...         % 关闭验证，即不进行验证
    'L2Regularization', 1e-4, ...          % L2正则化参数设为1e-4，防止过拟合
    'Plots', 'training-progress', ...      % 绘制训练过程的进度图
    'Verbose', false);                     % 关闭训练过程中的详细信息显示

• trainingOptions：设置训练参数，选择Adam优化算法，并设定其他训练相关参数。
  • ‘adam’：选择Adam优化算法。
  • ‘MaxEpochs’, 1000：设定最大训练迭代次数为1000。
  • ‘InitialLearnRate’, 0.01：设定初始学习率为0.01。
  • ‘LearnRateSchedule’, ‘piecewise’：设定学习率下降策略为分段下降。
  • ‘LearnRateDropFactor’, 0.1：设定学习率下降因子为0.1，即学习率每次下降为之前的10%。
  • ‘LearnRateDropPeriod’, 750：设定学习率下降的周期为750次迭代。
  • ‘Shuffle’, ‘every-epoch’：设定每个epoch结束后打乱数据集顺序，增加模型的泛化能力。
  • ‘ValidationPatience’, Inf：关闭验证，即不进行验证，避免在训练过程中进行验证集的评估。
  • ‘L2Regularization’, 1e-4：设定L2正则化参数为1e-4，防止模型过拟合。
  • ‘Plots’, ‘training-progress’：启用训练过程的进度图，实时监控训练状态。
  • ‘Verbose’, false：关闭训练过程中的详细信息显示，减少命令行输出。

13. 训练模型

net = trainNetwork(p_train, t_train, layers, options);  % 使用训练数据训练LSTM网络

• trainNetwork：使用训练数据训练LSTM网络。
  • p_train：训练集输入数据，单元格数组格式，每个单元格包含一个样本的特征向量。
  • t_train：训练集输出数据，分类类型的向量。
  • layers：定义的网络结构，包括输入层、LSTM层、激活层、全连接层、Softmax层和分类层。
  • options：训练参数设置，包括优化算法、学习率、迭代次数等。

14. 预测模型

t_sim1 = predict(net, p_train);  % 对训练集数据进行预测，得到训练集预测结果
t_sim2 = predict(net, p_test );  % 对测试集数据进行预测，得到测试集预测结果

• predict：使用训练好的LSTM模型对输入数据进行预测。
  • net：训练好的LSTM网络模型。
  • p_train 和 p_test：训练集和测试集的输入数据。
• t_sim1 和 t_sim2：分别存储训练集和测试集的预测结果，概率向量格式。

15. 反归一化

T_sim1 = vec2ind(t_sim1');  % 将训练集预测结果的概率向量转换为类别索引
T_sim2 = vec2ind(t_sim2');  % 将测试集预测结果的概率向量转换为类别索引

• vec2ind：将概率向量转换为类别索引，即选择概率最大的类别作为预测结果。
  • t_sim1’ 和 t_sim2’：转置预测结果矩阵，使每行对应一个样本的概率向量。
• T_sim1 和 T_sim2：分别存储训练集和测试集的预测类别索引。

16. 性能评价

error1 = sum((T_sim1 == T_train)) / M * 100;  % 计算训练集的分类准确率（百分比）
error2 = sum((T_sim2 == T_test )) / N * 100;  % 计算测试集的分类准确率（百分比）

• sum((T_sim1 == T_train))：计算训练集中预测正确的样本数量。
• sum((T_sim2 == T_test ))：计算测试集中预测正确的样本数量。
• error1：训练集的分类准确率，百分比表示。
• error2：测试集的分类准确率，百分比表示。

17. 绘制网络分析图

analyzeNetwork(layers);  % 可视化和分析LSTM网络的结构

• analyzeNetwork：可视化和分析定义的神经网络结构，包括各层的连接和参数设置，帮助理解和优化网络结构。

18. 绘图

绘制训练集和测试集预测结果对比图

% 绘制训练集预测结果对比图
figure
plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1) % 绘制训练集真实类别与预测类别的对比曲线，红色星形标记为真实值，蓝色圆形标记为预测值
legend('真实值', '预测值')                                        % 添加图例，区分真实值和预测值
xlabel('预测样本')                                                % 设置X轴标签为“预测样本”
ylabel('预测结果')                                                % 设置Y轴标签为“预测结果”
string = {'训练集预测结果对比'; ['准确率=' num2str(error1) '%']};  % 创建标题字符串，包括准确率
title(string)                                                    % 添加图形标题
grid                                                             % 显示网格，提升图形的可读性

% 绘制测试集预测结果对比图
figure
plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1)   % 绘制测试集真实类别与预测类别的对比曲线，红色星形标记为真实值，蓝色圆形标记为预测值
legend('真实值', '预测值')                                        % 添加图例，区分真实值和预测值
xlabel('预测样本')                                                % 设置X轴标签为“预测样本”
ylabel('预测结果')                                                % 设置Y轴标签为“预测结果”
string = {'测试集预测结果对比'; ['准确率=' num2str(error2) '%']};   % 创建标题字符串，包括准确率
title(string)                                                    % 添加图形标题
grid                                                             % 显示网格，提升图形的可读性

• figure：创建新的图形窗口。
• plot：
  • 1:M, T_train, ‘r-*’：绘制训练集真实类别的曲线，红色星形标记。
  • 1:M, T_sim1, ‘b-o’：绘制训练集预测类别的曲线，蓝色圆形标记。
• legend(‘真实值’, ‘预测值’)：添加图例，区分真实值和预测值。
• xlabel(‘预测样本’) 和 ylabel(‘预测结果’)：设置X轴和Y轴的标签。
• string = {‘训练集预测结果对比’; [‘准确率=’ num2str(error1) ‘%’]};：创建标题字符串，包括训练集的分类准确率。
• title(string)：设置图形标题。
• grid：显示网格，提升图形的可读性。

测试集预测结果对比图的绘制过程与训练集类似，只是数据源和标题不同。

19. 混淆矩阵

if flag_conusion == 1
    % 绘制训练集的混淆矩阵
    figure
    cm = confusionchart(T_train, T_sim1);                % 创建训练集的混淆矩阵
    cm.Title = '训练集混淆矩阵';                             % 设置混淆矩阵标题
    cm.ColumnSummary = 'column-normalized';               % 设置列摘要为列归一化
    cm.RowSummary = 'row-normalized';                     % 设置行摘要为行归一化
    
    % 绘制测试集的混淆矩阵
    figure
    cm = confusionchart(T_test, T_sim2);                 % 创建测试集的混淆矩阵
    cm.Title = '测试集混淆矩阵';                             % 设置混淆矩阵标题
    cm.ColumnSummary = 'column-normalized';               % 设置列摘要为列归一化
    cm.RowSummary = 'row-normalized';                     % 设置行摘要为行归一化
end

• if flag_conusion == 1：判断是否需要绘制混淆矩阵。
• confusionchart：
  • confusionchart(T_train, T_sim1)：创建训练集的混淆矩阵，比较真实类别和预测类别。
  • confusionchart(T_test, T_sim2)：创建测试集的混淆矩阵，比较真实类别和预测类别。
• cm.Title：设置混淆矩阵的标题。
• cm.ColumnSummary 和 cm.RowSummary：设置列摘要和行摘要为归一化形式，便于比较。

混淆矩阵直观展示了分类模型在各类别上的预测性能，帮助识别模型在特定类别上的误分类情况。

---

代码使用注意事项

1. 数据集格式：

   • 时间序列数据：确保数据集.xlsx中的数据为符合分类任务要求的格式，通常最后一列为类别标签，其他列为特征。
   • 数据顺序：时间序列数据应按照时间顺序排列，确保数据的时间依赖关系。如果需要打乱数据集顺序，可以保留res = res(randperm(num_res), :);这一行；否则，可以将其注释掉。

2. 参数调整：

   • 延时步长（kim）：通过kim = 15设定，表示使用15个历史数据点作为输入特征。根据时间序列的特性和周期性调整延时步长，步长过大可能导致模型复杂度增加，步长过小可能导致模型捕捉不到足够的时间依赖信息。
   • 预测步长（zim）：通过zim = 1设定，表示预测当前点之后的1个时间点的值。根据实际需求调整预测步长，适用于单步预测或多步预测。
   • 训练集比例（num_size）：通过num_size = 0.7设定，表示70%的数据用于训练，30%的数据用于测试。根据数据集大小和分布调整训练集比例，确保训练集和测试集具有代表性。
   • LSTM网络参数：
     • LSTM单元数（6）：通过lstmLayer(6, 'OutputMode', 'last')设定LSTM层中LSTM单元的数量。根据任务复杂度和数据特性调整LSTM单元数，增加单元数可能提升模型的拟合能力，但也可能增加过拟合风险。
     • ReLU激活层：通过reluLayer增加网络的非线性能力，帮助模型更好地拟合复杂数据。
     • 全连接层和Softmax层：通过fullyConnectedLayer(num_class)和softmaxLayer实现分类任务。
   • 训练参数：
     • 优化算法（adam）：选择Adam优化算法，具有自适应学习率调整的优势。
     • 学习率（0.01）：通过'InitialLearnRate', 0.01设定初始学习率，根据训练过程中的表现调整学习率。
     • 正则化参数（1e-4）：通过'L2Regularization', 1e-4设定L2正则化参数，防止模型过拟合。
     • 学习率下降策略：通过'LearnRateSchedule', 'piecewise'、'LearnRateDropFactor', 0.1和'LearnRateDropPeriod', 750设定学习率下降策略，帮助模型在训练后期更稳定地收敛。

3. 环境要求：

   • MATLAB版本：确保使用的MATLAB版本支持trainNetwork、predict、mapminmax、confusionchart等函数。需要安装MATLAB的Deep Learning Toolbox和Statistics and Machine Learning Toolbox。
   • 工具箱：
     • Deep Learning Toolbox：支持使用LSTM相关函数，如sequenceInputLayer、lstmLayer、trainNetwork等。
     • Statistics and Machine Learning Toolbox：支持分类相关函数，如categorical和confusionchart等。

4. 性能优化：

   • 数据预处理：
     • 归一化：通过mapminmax函数对输入数据进行归一化，提升模型训练速度和稳定性。
     • 降维：如果输入特征过多，可以考虑使用主成分分析（PCA）等降维方法，减少特征数量，提升模型训练效率和性能。
   • 模型参数优化：
     • LSTM单元数：通过调整LSTM单元数，优化模型的拟合能力和泛化能力。
     • 学习率和正则化参数：根据训练过程中的表现调整学习率和正则化参数，优化模型性能。
     • 交叉验证：使用交叉验证方法优化模型参数，提升模型的泛化能力。

5. 结果验证：

   • 混淆矩阵：通过绘制混淆矩阵，分析分类错误的具体情况，了解模型在哪些类别上表现较差。
   • 准确率：通过计算训练集和测试集的分类准确率，评估模型的分类性能。
   • 多次运行：由于LSTM模型对初始参数和数据敏感，建议多次运行模型，取平均性能指标，以获得更稳定的评估结果。
   • 模型对比：将LSTM分类模型与其他分类模型（如SVM、随机森林、BP神经网络等）进行对比，评估不同模型在相同数据集上的表现差异。

6. 性能指标理解：

   • 分类准确率：衡量模型在训练集和测试集上的分类正确率，值越高表示模型性能越好。
   • 混淆矩阵：展示模型在每个类别上的预测情况，包括真正例、假正例、真负例和假负例，有助于分析模型的分类错误类型。
   • 损失曲线：通过训练过程中的损失曲线，了解模型的训练状态，判断是否存在过拟合或欠拟合现象。

7. 模型分析与可视化：

   • 网络结构分析：通过analyzeNetwork函数可视化和分析LSTM网络的结构，了解网络各层的连接和参数设置。
   • 预测结果对比图：通过绘制训练集和测试集的真实类别与预测类别对比图，直观展示模型的分类效果。
   • 混淆矩阵：通过绘制混淆矩阵，分析模型在各类别上的预测性能，识别模型的优势和不足。

8. 代码适应性：

   • 模型参数调整：根据实际数据和任务需求，调整LSTM模型的参数（如LSTM单元数、学习率、正则化参数等），优化模型性能。
   • 数据格式匹配：确保输入数据的格式与LSTM模型的要求一致。输入数据应为单元格数组格式，每个单元格包含一个样本的特征向量。
   • 特征处理：如果输入数据包含类别特征，需先进行数值编码转换，确保所有特征均为数值型数据。

通过理解和应用上述LSTM分类模型，用户可以有效地处理各种序列数据的分类任务，充分发挥LSTM在捕捉长期依赖关系和处理复杂序列数据方面的优势，提升模型的分类准确性和泛化能力。