分类预测 | MATLAB实现CNN-BiLSTM(卷积双向长短期记忆神经网络)多特征分类预测_dnn-bilstm

分类预测 | MATLAB实现CNN-BiLSTM(卷积双向长短期记忆神经网络)多特征分类预测

预测效果

基本介绍

针对目前睡眠分期存在的依赖人工特征提取、无法识别长时关联数据中的时序模式、模型时序数据分期不准确等问题，提出一种CNN-BiLSTM(卷积双向长短期记忆神经网络)多特征分类预测方法。

模型结构

• 提出一种CNN架构用于自动特征学习；针对循环神经网络无法保持时序信息长距离依赖，且单向RNN无法对双向时间结构建模的问题，提出使用BiLSTM进行判定，提出一定规则数据构造为保持样本局部信息与长距离变化信息的时域信息矩阵．
  
  

程序设计

• 完整程序和数据下载：MATLAB实现CNN-BiLSTM(卷积双向长短期记忆神经网络)多特征分类预测。

inputSize = [1250 12 1];
numHiddenUnits = 10;
layers = [ ...
    sequenceInputLayer(inputSize,'Name','input','normalization','none')
    sequenceFoldingLayer('Name','fold')
    convolution2dLayer([21 1],16,'Name','conv1','Padding','same')
    maxPooling2dLayer([7 1],'Stride',7,'Name','maxpool1','Padding','same')
    convolution2dLayer([17 1],32,'Name','conv2','Padding','same')
    maxPooling2dLayer([6 1],'Stride',6,'Name','maxpool2','Padding','same')
    convolution2dLayer([13 1],64,'Name','conv3','Padding','same')
    maxPooling2dLayer([7 1],'Stride',7,'Name','maxpool3','Padding','same')

    sequenceUnfoldingLayer('Name','unfold')
    flattenLayer('Name','flatten')
    
    bilstmLayer(numHiddenUnits,'OutputMode','last','Name','bilstm1')
    
    fullyConnectedLayer(numClasses, 'Name','fc')
    softmaxLayer('Name','softmax')
    classificationLayer('Name','classification')];
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

学习总结

提出的CNN-BiLSTM(卷积双向长短期记忆神经网络)多特征分类预测法提高了现有方法的准确率，但仍有许多工作需要进一步完善．下一步将引入其他指标分析，可能能够找到更好的分类方法．

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/126845650?spm=1001.2014.3001.5501
[2] https://blog.csdn.net/kjm13182345320/article/details/126775607?spm=1001.2014.3001.5501
[3] https://blog.csdn.net/kjm13182345320/article/details/126744720?spm=1001.2014.3001.5501