零基础学习simulink--在 MATLAB 中构建和训练一个简单的循环神经网络（RNN）模型

最新推荐文章于 2025-04-03 22:46:18 发布

amy_mhd

最新推荐文章于 2025-04-03 22:46:18 发布

阅读量134

点赞数 1

文章标签： matlab simulink

本文链接：https://blog.youkuaiyun.com/amy_mhd/article/details/146989749

版权

基于 MATLAB 的循环神经网络（RNN）实例，用于序列分类任务。我们将使用一个简单的文本分类任务来演示如何构建和训练一个 RNN 模型。

步骤概述

加载数据集
数据预处理
定义网络结构
设置训练选项
训练模型
测试模型

详细步骤

1. 加载数据集

首先，我们需要加载一个文本分类数据集。假设我们有一个包含文本序列和标签的数据集 text_data.csv。

Matlab

深色版本

% 加载数据集
data = readtable('text_data.csv');
sequences = data.Sequence;
labels = data.Label;

2. 数据预处理

对数据进行预处理，包括划分训练集和测试集、编码序列和标签等。

Matlab

深色版本

% 划分训练集和测试集
cvp = cvpartition(height(data), 'HoldOut', 0.2);
idx = cvp.test;
sequencesTrain = sequences(~idx);
labelsTrain = labels(~idx);
sequencesTest = sequences(idx);
labelsTest = labels(idx);

% 编码序列和标签
encoder = string2 categorical(sequencesTrain);
sequencesTrain = categorical(sequencesTrain, encoder);
sequencesTest = categorical(sequencesTest, encoder);

uniqueLabels = unique(labelsTrain);
labelsTrain = categorical(labelsTrain, uniqueLabels, 1:numel(uniqueLabels));
labelsTest = categorical(labelsTest, uniqueLabels, 1:numel(uniqueLabels));

3. 定义网络结构

接下来，我们定义一个简单的 RNN 结构。我们将使用 GRU（Gated Recurrent Unit）层，这是一种常用的 RNN 变体。

Matlab

深色版本

% 定义网络结构
inputSize = 1; % 输入特征数
numHiddenUnits = 200;
numClasses = numel(unique(labelsTrain));

layers = [
    sequenceInputLayer(inputSize)
    gruLayer(numHiddenUnits)
    fullyConnectedLayer(numClasses)
    softmaxLayer
    classificationLayer
];

4. 设置训练选项

定义训练选项，包括最大迭代次数、批量大小、初始学习率等。

Matlab

深色版本

options = trainingOptions('adam', ...
    'MaxEpochs', 10, ...
    'MiniBatchSize', 27, ...
    'InitialLearnRate', 0.01, ...
    'GradientThreshold', 1, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

5. 训练模型

使用 trainNetwork 函数训练模型。

Matlab

深色版本

% 训练模型
net = trainNetwork(sequencesTrain, labelsTrain, layers, options);

6. 测试模型

加载测试数据并评估模型的性能。

Matlab

深色版本

% 进行预测
YPred = classify(net, sequencesTest);

% 计算准确率
accuracy = sum(YPred == labelsTest) / numel(labelsTest);
disp(['Test Accuracy: ', num2str(100 * accuracy), '%']);

完整代码

将上述代码段组合在一起，形成一个完整的 MATLAB 脚本：

Matlab

深色版本

% 加载数据集
data = readtable('text_data.csv');
sequences = data.Sequence;
labels = data.Label;

% 划分训练集和测试集
cvp = cvpartition(height(data), 'HoldOut', 0.2);
idx = cvp.test;
sequencesTrain = sequences(~idx);
labelsTrain = labels(~idx);
sequencesTest = sequences(idx);
labelsTest = labels(idx);

% 编码序列和标签
encoder = string2 categorical(sequencesTrain);
sequencesTrain = categorical(sequencesTrain, encoder);
sequencesTest = categorical(sequencesTest, encoder);

uniqueLabels = unique(labelsTrain);
labelsTrain = categorical(labelsTrain, uniqueLabels, 1:numel(uniqueLabels));
labelsTest = categorical(labelsTest, uniqueLabels, 1:numel(uniqueLabels));

% 定义网络结构
inputSize = 1; % 输入特征数
numHiddenUnits = 200;
numClasses = numel(unique(labelsTrain));

layers = [
    sequenceInputLayer(inputSize)
    gruLayer(numHiddenUnits)
    fullyConnectedLayer(numClasses)
    softmaxLayer
    classificationLayer
];

% 设置训练选项
options = trainingOptions('adam', ...
    'MaxEpochs', 10, ...
    'MiniBatchSize', 27, ...
    'InitialLearnRate', 0.01, ...
    'GradientThreshold', 1, ...
    'Verbose', false, ...
    'Plots', 'training-progress');

% 训练模型
net = trainNetwork(sequencesTrain, labelsTrain, layers, options);

% 进行预测
YPred = classify(net, sequencesTest);

% 计算准确率
accuracy = sum(YPred == labelsTest) / numel(labelsTest);
disp(['Test Accuracy: ', num2str(100 * accuracy), '%']);

数据集准备

假设你的 text_data.csv 文件内容如下：

深色版本

Sequence,Label
"hello world",positive
"good morning",positive
"bad day",negative
"not good",negative
...

运行代码

将上述代码保存为一个 .m 文件（例如 rnn_example.m），然后在 MATLAB 中运行该文件。MATLAB 将加载数据集，训练模型，并评估模型在测试数据上的性能。

结果解释

训练进度图：MATLAB 会在训练过程中绘制训练进度图，显示训练损失和验证损失的变化。
测试准确率：训练完成后，代码会输出模型在测试数据上的准确率。

通过这个示例，你可以了解如何在 MATLAB 中构建和训练一个简单的循环神经网络（RNN）模型。