分类预测 | MATLAB实现CNN-GRU(卷积门控循环单元)多特征分类预测

分类预测 | MATLAB实现CNN-GRU(卷积门控循环单元)多特征分类预测

预测效果

基本介绍

本次运行测试环境MATLAB2020b
总体而言，CNN用作特征(融合)提取，然后将输出的feature映射为序列向量输入到GRU当中。

模型描述

• 卷积门阀循环神经网络处理特征抽取与分类。该模型主要由向量处理层、卷积层、GRU层和分类输出层4个部分组成。
• 卷积核数对分类准确率的影响：卷积核数在一定程度上会影响分类的精确度。卷积核数太小时，分类准确率有所欠缺；而卷积核数超过一定数目后，准确率无明显变化。
• 卷积核大小对分类准确率的影响：采用小卷积核模型的分类准确率要高于大卷积核模型的分类准确率。卷积核越大，GRU单次接受的词语个数越多，GRU单次接受的个数过多，相邻的GRU输入的相关性就会减弱，不利于序列建模。
• GRU隐层节点数对分类准确率的影响：隐层节点数的变化对分类准确率的影响不大，对二分类数据集，只需设置隐层节点数为较小的数值，就可获得较高的准确率。而对于多分类数据，隐层节点数太小时，模型表达能力不足，分类准确率较低。

程序设计

• 完整源码和数据下载：MATLAB实现CNN-GRU(卷积门控循环单元)多特征分类预测。

%% 训练混合网络
% rng(0);
% 训练
CNNGRUnet = trainNetwork(XrTrain,YrTrain,layers,options);
%-------------------------------------------------------------------------------------
%% CNN-GRU数据输出
%% 训练误差集评价
ACCtrain = sum(YPred_Train == YrTrain)./numel(YrTrain);
disp('CNN-GRU训练ACC');
disp(ACCtrain)
%-------------------------------------------------------------------------------------
%% 测试集误差评价
ACCtest = sum(YPred_Test == YrTest)./numel(YrTest);
disp('CNN-GRU测试ACC');
disp(ACCtest)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

学习总结

结合CNN与GRU提出卷积门阀循环神经网络的本分类方法。通过引入卷积结构提取多尺度组合特征，辅助高层特征学习，从而丰富了GRU的特征输入。同时，引入Softmax分类器，使学习到的特征在类内紧凑。在后续研究中，还会继续优化和改进所提出模型的算法、结构与参数设置，以进一步提高模型分类识别能力。

参考资料

[1]
Diab D M,El Hindi K M. Using differential evolution for fine tuning naïve Bayesian classifiers and its application for text classification[J]. Applied Soft Computing, 2017, 54: 183-199. DOI:10.1016/j.asoc.2016.12.043
[2]
Zhang Wen,Tang Xijin,Yoshida T. TESC:An approach to TExt classification using semi-supervised clustering[J]. Knowledge-Based Systems, 2015, 75: 152-160. DOI:10.1016/j.knosys.2014.11.028
[3]
Vieira A S,Borrajo L,Iglesias E L. Improving the text classification using clustering and a novel HMM to reduce the dimensionality[J]. Computer Methods and Programs in Biomedicine, 2016, 136: 119-130. DOI:10.1016/j.cmpb.2016.08.018
[4]
Wang Yisen,Xia Shutao T,Wu Jia. A less-greedy two-term Tsallis entropy information metric approach for decision tree classification[J]. Knowledge-Based Systems, 2017, 120: 34-42. DOI:10.1016/j.knosys.2016.12.021
[5]
Kim Y.Convolutional neural networks for sentence classification[C]//Proceedings of the 2014 Conference on empirical Methods In Natural Language Processing.Doha:ACL,2014:1532–1543.