【LSTM分类】基于双向长短时记忆（BiLSTM）实现数据分类含Matlab源码

来源：互联网收集：自由互联发布时间：2022-06-15

1 简介 LSTM 是循环神经网络中的一个特殊网络，它能够很好的处理序列信息并从中学习有效特征，它把以往的神经单元用一个记忆单元( memory cell) 来代替，解决了以往循环神经网络在梯

1 简介

LSTM 是循环神经网络中的一个特殊网络，它能够很好的处理序列信息并从中学习有效特征，它把以往的神经单元用一个记忆单元( memory cell) 来代替，解决了以往循环神经网络在梯度反向传播中遇到的爆炸和衰减问题．一个记忆单元利用了输入门 it、一个记忆细胞 ct、一个忘记门 ft、一个输出门 ot 来控制历史信息的储存记忆，在每次输入后会有一个当前状态 ht，ht 计算如下:

【LSTM分类】基于双向长短时记忆（BiLSTM）实现数据分类含Matlab源码_上传

【LSTM分类】基于双向长短时记忆（BiLSTM）实现数据分类含Matlab源码_循环神经网络_02

【LSTM分类】基于双向长短时记忆（BiLSTM）实现数据分类含Matlab源码_上传_03

【LSTM分类】基于双向长短时记忆（BiLSTM）实现数据分类含Matlab源码_循环神经网络_04

其中，xt 为 t 时刻输入的情感词向量，σ 为 sigmoid 函数， 代表向量对应元素依次相乘，其中水电费 Wi，Ui，Vi，bi， Wg，Ug，bg，Wo，Uo，Vo，bo 为 LSTM 参数.

【LSTM分类】基于双向长短时记忆（BiLSTM）实现数据分类含Matlab源码_循环神经网络_05

【LSTM分类】基于双向长短时记忆（BiLSTM）实现数据分类含Matlab源码_数据_06

【LSTM分类】基于双向长短时记忆（BiLSTM）实现数据分类含Matlab源码_循环神经网络_07

【LSTM分类】基于双向长短时记忆（BiLSTM）实现数据分类含Matlab源码_数据_08

2 部分代码

%加载序列数据
%数据描述：总共270组训练样本共分为9类，每组训练样本的训练样个数不等，每个训练训练样本由12个特征向量组成，
clc
clear all
close all
[XTrain,YTrain] = japaneseVowelsTrainData;
%数据可视化
figure
plot(XTrain{1}')
xlabel('Time Step')
title('Training Observation 1')
legend('Feature ' ,'Location','northeastoutside')
%%
%LSTM可以将分组后等量的训练样本进行训练，从而提高训练效率
%如果每组的样本数量不同，进行小批量拆分，则需要尽量保证分块的训练样本数相同
%首先找到每组样本数和总的组数
numObservations = numel(XTrain);
for i=1:numObservations
sequence = XTrain{i};
sequenceLengths(i) = size(sequence,2);
end
%绘图前后排序的各组数据个数
figure
subplot(1,2,1)
bar(sequenceLengths)
ylim([0 30])
xlabel('Sequence')
ylabel('Length')
title('Sorted Data')
%按序列长度对测试数据进行排序
[sequenceLengths,idx] = sort(sequenceLengths);
XTrain = XTrain(idx);
YTrain = YTrain(idx);
subplot(1,2,2)
bar(sequenceLengths)
ylim([0 30])
xlabel('Sequence')
ylabel('Length')
title('Sorted Data')
%%