设为首页收藏本站

52matlab技术论坛,matlab教程,matlab安装教程,matlab下载

 找回密码
 立即注册

QQ登录

只需一步,快速开始

搜索
热搜: 活动 交友 discuz
查看: 100|回复: 0

卷积神经网络对时序信号的分类预测

[复制链接]
  • TA的每日心情
    开心
    2015-3-12 11:57
  • 签到天数: 1 天

    [LV.1]初来乍到

    82

    主题

    142

    帖子

    1250

    积分

    版主

    Rank: 7Rank: 7Rank: 7

    积分
    1250
    发表于 2018-9-10 09:43:16 | 显示全部楼层 |阅读模式
    本帖最后由 matlab的旋律 于 2018-9-20 09:01 编辑

           人工智能、机器学习和深度学习是当前非常热门的话题,仅在学术界有很多论文,在工业界也有许多的实际运用。在网上很容易找到概念,但是实际中人们又很容易将其混淆。通常来说,三者的关系可以归纳为:人工智能包含机器学习,机器学习包含深度学习,如下面的图所示:
    图1 人工智能、机器学习和深度学习的关系图

           上面图示深度学习是机器学习分支的概念非常重要,它继承了机器学习依赖模型自身获得参数的优点,同时它又超越了传统机器学习人工提取特征的限制,能够在大数据中进行自学习提取特征。但它同所有机器学习一样受限于训练数据和输入数据不同的问题。
           本文要用到的卷积神经网络(ConvolutionalNeural Network,CNN),主要包含卷积技术以及深度神经网络。区别传统的机器学习, 卷积神经网络将特征提取器与机器学习有机的结合了起来。
           卷积神经网络处理的数据形式,具有局部与整体的关系,并且由低层次特征组合可以形成高层次的特征,还能得到不同特征间的空间相关性。图像信息具有典型性,因此当前的卷积神经网络技术主要应用在机器视觉领域。其实, 这种局部与整体的关系也可以看作是不同的频率信息构建的特征,许多序列信号也具有这样的特征,以人体信号为例,处于不同频段和幅度的PQRST波构成了ECG信号,而波形的变化也与对应的病征具有很强的关联性。因此,使用CNN对以ECG为代表的时序信号进行处理也是可行的。
          有关CNN的原理、特点以及在机器视觉领域的应用已经有非常多的资料可查,这里就不展开叙述了。本问旨在通过对ECG信号的四类目标正常(N),室性早搏(V),右束支阻滞(R),左束支阻滞(L)进行分类,其中的数据样本来源请参阅论坛www.52matlab.com。下面直接通过源码来说明CNN分类过程。
    Step1: 加载数据,数据以.mat存放在Data文件夹,其中四个.mat文件的文件名对应目标分类值;
    %% 加载数据;
    fprintf('Loadingdata...\n');
    tic;
    load('Data\N_dat.mat');
    load('Data\L_dat.mat');
    load('Data\R_dat.mat');
    load('Data\V_dat.mat');
    fprintf('Finished!\n');
    Step2: 加标签值,给对应的数据加上分类标签,其中的标签用元胞数组表示;
    %% 控制使用数据量,每一类5000,并生成标签,用1 2 3 4表示
    fprintf('Datapreprocessing...\n');
    tic;
    Nb =Nb(1:5000,: );
    Label1 =repmat({'N'},1,5000);
    Vb =Vb(1:5000,: );
    Label2 =repmat({'V'},1,5000);
    Rb =Rb(1:5000,: );
    Label3 =repmat({'R'},1,5000);
    Lb =Lb(1:5000,: );
    Label4 =repmat({'L'},1,5000);
    Data =[Nb;Vb;Rb;Lb];
    Label =[Label1,Label2,Label3,Label4];
    clear Nb;clearLabel1;%定向清除内存
    clear Rb;clearLabel2;
    clear Lb;clearLabel3;
    clear Vb;clearLabel4;
    fprintf('Finished!\n');
    toc;
    Step3: 对数据进行归一化操作,这部分程序直接放在函数CNNModeTrainFunc.m当中调用,对数据归一化主要有两种,一种是最大最小法,对应Matlab库函数mapminmax,一种是平均数方差法,对应Matlab库函数mapstd,归一化的目的主要是消除不同数据采集设备的数量级差别,当然在数据样本较少的情形下也可以认为起到有效特征提取的作用;
    function [X,Y] =getCNNDataFunc(x,y)
    Y = categorical(y);
    for k = 1:length(y)
        X(1,:,1,k) = mapstd(x(k,: )); %等价于  X(1,:,1,k) = (x(k,: ) -mean(x(k,: ))) / std(x(k,: ));
    end
    Step4: 结构层设计,Matlab自带的库函数是处理图像的,因此输入层也是图片的输入格式,但是序列信号可以看作图像信息的特例,将其中的过程矩阵用行向量取代,本文介绍的CNN实例,包含四个卷积层,三个池化层,两个全连接层(即BP网络中的隐藏层),使用的激活函数为ReLU,全连接层的权系数节点丢弃率为0.2,同时设计softmax的多分类;
    layers = [
        imageInputLayer([inputSize 250 1]) %输入数据1*250*1
       convolution2dLayer([1,11],4,'Padding','same')%滤波器长度为11,个数为4,输出的数据跟输入维度相同
        batchNormalizationLayer
        reluLayer%激活函数
       averagePooling2dLayer([1,3],'Stride',[1,2])%平均池化函数,三点平均,滑窗长度为2
       convolution2dLayer([1,13],16,'Padding','same')
        batchNormalizationLayer
        reluLayer
        averagePooling2dLayer([1,3],'Stride',[1,2])
      
        convolution2dLayer([1,15],32,'Padding','same')
        batchNormalizationLayer
        reluLayer
        averagePooling2dLayer([1,3],'Stride',[1,2])
       
       convolution2dLayer([1,17],64,'Padding','same')
        batchNormalizationLayer
        reluLayer
            
        dropoutLayer(0.2)%权系数节点丢弃率
        fullyConnectedLayer(numClasses)
        softmaxLayer
        classificationLayer];
    Step5: CNN训练参数的设定,其中的训练方法为’sgdm’ ,即动量驱动的随机梯度下降法,使用验证数据在训练过程中进行实施验证,其中的小批量尺寸设置为120;
    options =trainingOptions('sgdm',...%动量法驱动的随机梯度下降
        'MiniBatchSize',miniBatchSize,...%小批量尺寸大小
        'MaxEpochs',9,...%轮数
        'InitialLearnRate',1e-3,...%初始学习率
        'LearnRateSchedule','piecewise',...
        'LearnRateDropFactor',0.1,...
        'LearnRateDropPeriod',20,...
        'Shuffle','every-epoch',...
       'ValidationData',{XValidation,YValidation},...%验证数据
       'ValidationFrequency',validationFrequency,...%验证频率
        'ValidationPatience',Inf,...
        'Plots','training-progress',...
        'Verbose',false);
    Step6: 训练CNN网络;
    net =trainNetwork(XTrain,YTrain,layers,options);

    2 CNN训练过程


    Step7: 使用训练好的CNN网络对输入序列进行预测分类,这里使用验证数据集作为测试数据集,同时给出混淆矩阵绘图。
    YPred =classify(cnn_net,validation_x, 'MiniBatchSize',miniBatchSize,'SequenceLength', 'longest');
    plotconfusion(YPred,validation_y');%绘制混淆矩阵

    3 用验证集做测试的混乱矩阵


           通过预测集和实际集的混淆矩阵,可以很具体的分析各类的性能分析,这里不再叙述。对以CNN为代表的深度学习分类方法,对训练和输入数据的一致性要求严格,这也对传感器的稳定性提出了要求,同时在训练过程中也需要尽可能保持各类数据样本的均衡。


    本帖子中包含更多资源

    您需要 登录 才可以下载或查看,没有帐号?立即注册

    x
    回复

    使用道具 举报

    您需要登录后才可以回帖 登录 | 立即注册

    本版积分规则

    Archiver|手机版|小黑屋|52matlab技术网站 ( 粤ICP备14005920号-5  

    GMT+8, 2018-10-15 13:15 , Processed in 0.097131 second(s), 28 queries .

    Powered by Discuz! X3.2 Licensed

    © 2001-2013 Comsenz Inc.

    快速回复 返回顶部 返回列表