简介MATLAB实现BiLSTM双向长短期记忆神经网络多特征分类预测的完整项目面向需要构建多特征分类模型的科研人员、研究生及算法工程师帮助快速搭建可复现的基线方案。数据包含15个输入特征划分为四类样本运行环境为MATLAB2018b及以上下载后可直接运行。压缩包共8个文件内含m格式源码、mat格式数据集、5幅png格式分类效果图及docx格式特征分类说明文档整体包体仅448KB结构清晰且便于本地部署。目前已有231人学习下载适合教学演示、算法对比及毕业设计参考。代码覆盖数据加载、模型构建、训练与分类评估完整流程可视化图直观展示各类别预测效果说明文档对特征与模型配置作了解读并附有因版本差异出现乱码时的解决思路读者可轻松修改输入特征数和类别数以适配自身数据显著降低复现门槛快速获得双向LSTM在多特征分类任务上的性能表现。1. 为什么多特征分类要选 BiLSTM 而不是全连接拿到 15 个特征、四分类标签这类数据很多人第一反应是堆全连接网络再加 ReLU但这样会把特征之间的先后依赖压平等于主动丢掉可利用的结构信息。BiLSTM 双向长短期记忆网络先把样本正向读一遍再反向读一遍把两个方向的隐藏状态拼起来后接分类器在多特征分类预测里往往比普通前馈网络更稳。这个项目里的BiLSTMNC.m就是 MATLAB 2018b 及以上可直接运行的完整源码配合data.mat和五张结果图不需要自己从头搭数据管道。适合想把手头结构化数据改成循环网络方案的人也适合拿 MATLAB 做故障分类、负荷识别、文本情绪四分类这类任务的工程同学。2. data.mat 数据解析与 BiLSTM 序列输入构造拿到压缩包先别急着run第一步一定是打开 MATLAB把数据形态摸清楚。BiLSTM 在 MATLAB 里对输入格式要求比全连接严格得多序列不转成 celltrainNetwork直接报错。我拆解这类源码包的习惯是先看数据再看主函数最后才碰网络结构顺序反了很容易被维度错误带偏。2.1 用 whos 确认 data.mat 里的变量和维度在解压后的目录里执行load(data.mat); whos;如果工作区里出现X和Y通常X是样本数 × 特征数也就是 N×15Y是 N×1 标签向量取值在 1 到 4 之间。如果只有一个结构体变量S需要用fieldnames(S)看内部字段再通过X S.X; Y S.Y;取出来。项目说明里写了“输入 15 个特征分四类”所以whos输出里特征维度为 15 才是正常状态。不同来源的代码包变量名经常不一致常见情况如下表实际变量名常见维度说明XN×15特征矩阵N 为样本数YN×1四分类标签data结构体用data.X/data.Y访问featuresN×15与 X 含义相同labelN×1与 Y 含义相同提示数据只有一份操作前先执行save(backup.mat)备份原始变量避免后面覆盖后想回退都困难。2.2 按时间顺序切分不要用 cvpartition 随机打乱序列模型最怕数据泄漏。随机抽样会把未来信息混进训练集测试结果虚高。常规做法是保留原始行顺序按比例切出训练、验证和测试三部分。n size(X, 1); trainEnd floor(0.7*n); valEnd floor(0.85*n); idxTrain 1:trainEnd; idxVal trainEnd1:valEnd; idxTest valEnd1:n; XTrain X(idxTrain, :); XVal X(idxVal, :); XTest X(idxTest, :); Y categorical(Y); YTrain Y(idxTrain); YVal Y(idxVal); YTest Y(idxTest);这里按 70/15/15 切分idxTest valEnd1:n保证了测试集严格晚于训练集和验证集。如果样本之间确实不存在时间先后也可以改用cvpartition(n,HoldOut,0.15)分层抽样但这样做会丢失 BiLSTM 在顺序上的建模能力不如直接退回全连接网络。切完用tabulate(YTest)看一眼四类是否都出现测试集缺失类别会让后面的混淆矩阵少一行。2.3 用训练集统计量标准化再转成 1×15 序列 cell标准化时有一个新手常踩的坑有人直接对全量X执行zscore(X)再切分。这样测试集的均值和方差已经参与过训练数据变换严格来说属于信息泄漏。正确做法是只用训练集计算均值mu和标准差sigma然后套用到验证集和测试集。mu mean(XTrain, 1); sigma std(XTrain, 0, 1); XTrain (XTrain - mu) ./ sigma; XVal (XVal - mu) ./ sigma; XTest (XTest - mu) ./ sigma; makeSeq (M) arrayfun((i) M(i,:), 1:size(M,1), UniformOutput, false); XTrainSeq makeSeq(XTrain); XValSeq makeSeq(XVal); XTestSeq makeSeq(XTest);makeSeq对每个样本取出一行 1×15 的向量放进一个 cell 元素。这样每个序列的特征维度是 1时间步数是 15正好对应后面sequenceInputLayer(1)。arrayfun输出是行 cell所以最后补一个转置让XTrainSeq变成 N×1 的 cell和YTrain的形状对齐。如果后续改成滑动窗口模式需要把每个 cell 变成 15×windowSize并同步修改网络输入层。3. layers 与 trainingOptions搭一个可收敛的 BiLSTM 四分类网络网络结构本身不复杂真正影响结果的是输入维度、OutputMode和隐藏单元数。按下面这套结构搭好再用 Adam 配合梯度裁剪大多数四分类数据都能在百轮以内收敛到可用水平。3.1 按 sequenceInputLayer(1) 铺设网络层numFeatures 1; numClasses 4; numHidden 64; layers [ sequenceInputLayer(numFeatures) bilstmLayer(numHidden, OutputMode, last) dropoutLayer(0.2) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer ];因为上一章把每个样本变成了 1×15 序列所以sequenceInputLayer(1)表示每个时间步的特征维度为 1。bilstmLayer(64)会自动创建前向、后向两条 LSTM 链最后一步的隐藏状态拼接成 128 维向量。这里的OutputMode,last很关键分类任务只需要最后一个时间步的输出不需要把每个时间步都吐出来。中间加dropoutLayer(0.2)是为了防止小数据集过拟合fullyConnectedLayer(4)输出四个类别得分后面的softmaxLayer和classificationLayer是标准搭配。如果将来改成滑动窗口数据形状变成 15×windowSize第一行必须同步改成sequenceInputLayer(15)。输入层维度和数据维度不匹配时MATLAB 会报特征维度错误而不是在最后给你一个模糊的维度提示排查时优先检查这一行。3.2 双向读入的代价与收益bilstmLayer的参数量是单向 LSTM 的两倍训练时间大约多 60% 到 100%。收益在于前向分支捕获特征 1 到 15 的先后影响反向分支捕获特征 15 到 1 的回指信息。如果特征之间本来没有顺序双向和单向区别不大如果有时间依赖或特征间前后制约双向通常更稳。在故障诊断这类任务里BiLSTM 比单向 LSTM 一般能提升 2 到 5 个百分点具体取决于数据本身的模式强度。维度单向 LSTMBiLSTM隐藏参数量4×(d×hh²)8×(d×hh²)读取方向单一方向前向后向训练开销基准约 1.5~2 倍分类输出拼接隐藏层大小隐藏层大小的 2 倍3.2.1 参数量的实际影响隐藏单元数设为 64 时BiLSTM 的输出维度是 128所以fullyConnectedLayer(4)会自动接上不需要手动计算。这也是bilstmLayer比手写前向/后向两个 LSTM 再拼接更省事的原因。如果显存或内存紧张可以把 64 降到 32精度损失通常在可接受范围内训练时间减半。3.3 trainingOptions 里的关键参数options trainingOptions(adam, ... MaxEpochs, 120, ... MiniBatchSize, 32, ... InitialLearnRate, 0.01, ... LearnRateSchedule, piecewise, ... LearnRateDropFactor, 0.5, ... LearnRateDropPeriod, 20, ... GradientThreshold, 1, ... ValidationData, {XValSeq, YVal}, ... ValidationFrequency, 10, ... Verbose, true, ... Plots, training-progress);GradientThreshold设为 1 是我在 BiLSTM 训练里必开的一项。序列长度虽然不长但反向传播经过双向层时梯度范数容易突然变大不裁剪的话损失曲线经常在某次迭代跳到 NaN。LearnRateDropFactor和LearnRateDropPeriod结合每 20 轮学习率减半后期收敛更精细。MiniBatchSize32 对几千行样本足够没有 GPU 时建议降到 16避免 CPU 内存占满。3.4 验证集和测试集不能混用有人会把测试集同时填进ValidationData和最终评估这是不对的。验证集的作用是看模型是否过拟合一旦它参与了早停或调参再拿它当盲测结果就失真了。这里的三段式切分就是为了把两个角色分开验证集只看曲线测试集只在训练结束后用一次。数据量太小时可以不要验证集只设MaxEpochs并观察训练损失但最终评估要严格留在测试集上。4. 从 classify 到 confusionchart四分类预测的正确评估姿势训练结束后trainNetwork会返回net和info。前者是模型对象用于预测后者记录每一轮迭代的准确率和损失。评估流程可以复用跑完主程序后先保存模型再做测试集推理。4.1 训练主流程与模型保存[net, info] trainNetwork(XTrainSeq, YTrain, layers, options); save(bilstm_net.mat, net, info);trainNetwork第一个参数是训练序列 cell第二个是标签第三个是layers第四个是options。输出info中常见的字段有TrainingLoss、TrainingAccuracy、ValidationLoss和ValidationAccuracy。保存模型能避免每次实验重新训练尤其在调参后想对比新旧网络时直接load(bilstm_net.mat)即可。4.2 对测试集做推理并画混淆矩阵YPred classify(net, XTestSeq); cm confusionchart(YTest, YPred); cm.Title BiLSTM 四分类混淆矩阵; cm.RowSummary row-normalized; cm.ColumnSummary column-normalized;classify和训练时一样要求测试集也是 cell 数组所以要用同一个makeSeq处理。YTest在 2.2 里已经被categorical转成了分类变量可以直接和YPred比较。confusionchart会生成一个四行四列的图行是真实类别列是预测类别。RowSummary在右侧显示每类召回率ColumnSummary在底部显示每类精确率这张图通常对应源码包里的BiLSTMC2.png或BiLSTMC3.png。4.3 用 confusionmat 计算精确率、召回率、F1confusionchart适合可视化但要写进汇报表格最好再手动提取具体数字C confusionmat(YTest, YPred); precision diag(C) ./ sum(C, 1); recall diag(C) ./ sum(C, 2); f1 2 * precision .* recall ./ (precision recall); f1(isnan(f1)) 0; accuracy sum(diag(C)) / sum(C(:));这段代码的关键在分母sum(C,1)是各列求和代表预测为该类的总数sum(C,2)是各行求和代表该类真实样本总数。对角线diag(C)是正确分类数。某个类在测试集中缺失时分母为 0 会产生NaN所以用isnan兜底。得到的precision、recall、f1都是四维向量可以拼成下面的表格格式类别样本数精确率召回率F11230.870.910.892250.750.720.733260.930.880.904210.800.860.83这组数是示意格式实际值以你的训练结果为准。如果四类样本不均不能只看整体正确率否则全预测成样本量最大的类别也能拿到很高分。每类 F1 都过 0.7 以上再谈优化。4.4 把训练曲线和混淆矩阵批量导出 PNG源码包里已有BiLSTMC1.png到BiLSTMC5.png五张图说明交付时通常需要把这些图形直接插进报告文档。用exportgraphics可以统一导出exportgraphics(gcf, BiLSTMC1.png, Resolution, 300);第一张图一般是训练进度曲线由trainingOptions里的Plots,training-progress自动弹出。后面的混淆矩阵和损失曲线可以按顺序命名。MATLAB 2018b 及以上都支持exportgraphics但它要求图窗存在所以要在出图命令后紧接着执行。如果报错换成print(gcf, -dpng, -r300, BiLSTMC1.png)效果相同。5. 乱码修复与结果图复现BiLSTMNC.m 的最后一公里下载包里最容易劝退人的问题不是网络不收敛而是.m文件打开后中文注释变乱码。原因很简单BiLSTMNC.m文件的字符编码和你当前 MATLAB 编辑器默认编码不一致最常见的是 UTF-8 和 GBK 混用。MATLAB 2018b 更偏向系统区域语言编码新版则默认 UTF-8两个版本换着打开就容易出问题。5.1 用记事本绕开编辑器编码问题不要直接在 MATLAB 里双击打开乱码文件。用操作系统自带记事本打开BiLSTMNC.m这时乱码同样存在但没关系全选复制关掉记事本。接着在 MATLAB 编辑器里新建脚本粘贴刚才复制的内容另存为同名.m文件覆盖原文件。粘贴过程中 MATLAB 会按当前会话的字符集重新解释文本乱码字符大概率能恢复。如果仍乱码可以执行feature(DefaultCharacterSet, UTF-8);执行后重新打开文件查看。这个命令在当前会话内生效不需要重启 MATLAB。多数情况下记事本复制粘贴方案足够处理资源描述里提到的“程序乱码”。5.2 逐段运行缩小问题范围BiLSTMNC.m如果带%%分节编辑器里会有多个 section。打开文件后用鼠标选中第一个 section按CtrlEnter逐段运行。先运行数据加载段检查XTrainSeq的每个 cell 是不是 1×15再运行网络定义段确认输入维度和这里是否一致。如果生成的图片和BiLSTMC1.png到BiLSTMC5.png对不上多半是数据处理方式不同比如把序列错误转成了 15×1 矩阵导致sequenceInputLayer(1)报特征维度错误。包里那份BiLSTM特征分类预测.docx通常写了作者当时的超参数和数据处理思路对照文档改代码比凭空猜快得多。打开文件时手工选择 UTF-8 并另存乱码问题通常就此打住。本文还有配套的精品资源点击获取 MATLAB实现BiLSTM多特征四分类预测实战
简介MATLAB实现BiLSTM双向长短期记忆神经网络多特征分类预测的完整项目面向需要构建多特征分类模型的科研人员、研究生及算法工程师帮助快速搭建可复现的基线方案。数据包含15个输入特征划分为四类样本运行环境为MATLAB2018b及以上下载后可直接运行。压缩包共8个文件内含m格式源码、mat格式数据集、5幅png格式分类效果图及docx格式特征分类说明文档整体包体仅448KB结构清晰且便于本地部署。目前已有231人学习下载适合教学演示、算法对比及毕业设计参考。代码覆盖数据加载、模型构建、训练与分类评估完整流程可视化图直观展示各类别预测效果说明文档对特征与模型配置作了解读并附有因版本差异出现乱码时的解决思路读者可轻松修改输入特征数和类别数以适配自身数据显著降低复现门槛快速获得双向LSTM在多特征分类任务上的性能表现。1. 为什么多特征分类要选 BiLSTM 而不是全连接拿到 15 个特征、四分类标签这类数据很多人第一反应是堆全连接网络再加 ReLU但这样会把特征之间的先后依赖压平等于主动丢掉可利用的结构信息。BiLSTM 双向长短期记忆网络先把样本正向读一遍再反向读一遍把两个方向的隐藏状态拼起来后接分类器在多特征分类预测里往往比普通前馈网络更稳。这个项目里的BiLSTMNC.m就是 MATLAB 2018b 及以上可直接运行的完整源码配合data.mat和五张结果图不需要自己从头搭数据管道。适合想把手头结构化数据改成循环网络方案的人也适合拿 MATLAB 做故障分类、负荷识别、文本情绪四分类这类任务的工程同学。2. data.mat 数据解析与 BiLSTM 序列输入构造拿到压缩包先别急着run第一步一定是打开 MATLAB把数据形态摸清楚。BiLSTM 在 MATLAB 里对输入格式要求比全连接严格得多序列不转成 celltrainNetwork直接报错。我拆解这类源码包的习惯是先看数据再看主函数最后才碰网络结构顺序反了很容易被维度错误带偏。2.1 用 whos 确认 data.mat 里的变量和维度在解压后的目录里执行load(data.mat); whos;如果工作区里出现X和Y通常X是样本数 × 特征数也就是 N×15Y是 N×1 标签向量取值在 1 到 4 之间。如果只有一个结构体变量S需要用fieldnames(S)看内部字段再通过X S.X; Y S.Y;取出来。项目说明里写了“输入 15 个特征分四类”所以whos输出里特征维度为 15 才是正常状态。不同来源的代码包变量名经常不一致常见情况如下表实际变量名常见维度说明XN×15特征矩阵N 为样本数YN×1四分类标签data结构体用data.X/data.Y访问featuresN×15与 X 含义相同labelN×1与 Y 含义相同提示数据只有一份操作前先执行save(backup.mat)备份原始变量避免后面覆盖后想回退都困难。2.2 按时间顺序切分不要用 cvpartition 随机打乱序列模型最怕数据泄漏。随机抽样会把未来信息混进训练集测试结果虚高。常规做法是保留原始行顺序按比例切出训练、验证和测试三部分。n size(X, 1); trainEnd floor(0.7*n); valEnd floor(0.85*n); idxTrain 1:trainEnd; idxVal trainEnd1:valEnd; idxTest valEnd1:n; XTrain X(idxTrain, :); XVal X(idxVal, :); XTest X(idxTest, :); Y categorical(Y); YTrain Y(idxTrain); YVal Y(idxVal); YTest Y(idxTest);这里按 70/15/15 切分idxTest valEnd1:n保证了测试集严格晚于训练集和验证集。如果样本之间确实不存在时间先后也可以改用cvpartition(n,HoldOut,0.15)分层抽样但这样做会丢失 BiLSTM 在顺序上的建模能力不如直接退回全连接网络。切完用tabulate(YTest)看一眼四类是否都出现测试集缺失类别会让后面的混淆矩阵少一行。2.3 用训练集统计量标准化再转成 1×15 序列 cell标准化时有一个新手常踩的坑有人直接对全量X执行zscore(X)再切分。这样测试集的均值和方差已经参与过训练数据变换严格来说属于信息泄漏。正确做法是只用训练集计算均值mu和标准差sigma然后套用到验证集和测试集。mu mean(XTrain, 1); sigma std(XTrain, 0, 1); XTrain (XTrain - mu) ./ sigma; XVal (XVal - mu) ./ sigma; XTest (XTest - mu) ./ sigma; makeSeq (M) arrayfun((i) M(i,:), 1:size(M,1), UniformOutput, false); XTrainSeq makeSeq(XTrain); XValSeq makeSeq(XVal); XTestSeq makeSeq(XTest);makeSeq对每个样本取出一行 1×15 的向量放进一个 cell 元素。这样每个序列的特征维度是 1时间步数是 15正好对应后面sequenceInputLayer(1)。arrayfun输出是行 cell所以最后补一个转置让XTrainSeq变成 N×1 的 cell和YTrain的形状对齐。如果后续改成滑动窗口模式需要把每个 cell 变成 15×windowSize并同步修改网络输入层。3. layers 与 trainingOptions搭一个可收敛的 BiLSTM 四分类网络网络结构本身不复杂真正影响结果的是输入维度、OutputMode和隐藏单元数。按下面这套结构搭好再用 Adam 配合梯度裁剪大多数四分类数据都能在百轮以内收敛到可用水平。3.1 按 sequenceInputLayer(1) 铺设网络层numFeatures 1; numClasses 4; numHidden 64; layers [ sequenceInputLayer(numFeatures) bilstmLayer(numHidden, OutputMode, last) dropoutLayer(0.2) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer ];因为上一章把每个样本变成了 1×15 序列所以sequenceInputLayer(1)表示每个时间步的特征维度为 1。bilstmLayer(64)会自动创建前向、后向两条 LSTM 链最后一步的隐藏状态拼接成 128 维向量。这里的OutputMode,last很关键分类任务只需要最后一个时间步的输出不需要把每个时间步都吐出来。中间加dropoutLayer(0.2)是为了防止小数据集过拟合fullyConnectedLayer(4)输出四个类别得分后面的softmaxLayer和classificationLayer是标准搭配。如果将来改成滑动窗口数据形状变成 15×windowSize第一行必须同步改成sequenceInputLayer(15)。输入层维度和数据维度不匹配时MATLAB 会报特征维度错误而不是在最后给你一个模糊的维度提示排查时优先检查这一行。3.2 双向读入的代价与收益bilstmLayer的参数量是单向 LSTM 的两倍训练时间大约多 60% 到 100%。收益在于前向分支捕获特征 1 到 15 的先后影响反向分支捕获特征 15 到 1 的回指信息。如果特征之间本来没有顺序双向和单向区别不大如果有时间依赖或特征间前后制约双向通常更稳。在故障诊断这类任务里BiLSTM 比单向 LSTM 一般能提升 2 到 5 个百分点具体取决于数据本身的模式强度。维度单向 LSTMBiLSTM隐藏参数量4×(d×hh²)8×(d×hh²)读取方向单一方向前向后向训练开销基准约 1.5~2 倍分类输出拼接隐藏层大小隐藏层大小的 2 倍3.2.1 参数量的实际影响隐藏单元数设为 64 时BiLSTM 的输出维度是 128所以fullyConnectedLayer(4)会自动接上不需要手动计算。这也是bilstmLayer比手写前向/后向两个 LSTM 再拼接更省事的原因。如果显存或内存紧张可以把 64 降到 32精度损失通常在可接受范围内训练时间减半。3.3 trainingOptions 里的关键参数options trainingOptions(adam, ... MaxEpochs, 120, ... MiniBatchSize, 32, ... InitialLearnRate, 0.01, ... LearnRateSchedule, piecewise, ... LearnRateDropFactor, 0.5, ... LearnRateDropPeriod, 20, ... GradientThreshold, 1, ... ValidationData, {XValSeq, YVal}, ... ValidationFrequency, 10, ... Verbose, true, ... Plots, training-progress);GradientThreshold设为 1 是我在 BiLSTM 训练里必开的一项。序列长度虽然不长但反向传播经过双向层时梯度范数容易突然变大不裁剪的话损失曲线经常在某次迭代跳到 NaN。LearnRateDropFactor和LearnRateDropPeriod结合每 20 轮学习率减半后期收敛更精细。MiniBatchSize32 对几千行样本足够没有 GPU 时建议降到 16避免 CPU 内存占满。3.4 验证集和测试集不能混用有人会把测试集同时填进ValidationData和最终评估这是不对的。验证集的作用是看模型是否过拟合一旦它参与了早停或调参再拿它当盲测结果就失真了。这里的三段式切分就是为了把两个角色分开验证集只看曲线测试集只在训练结束后用一次。数据量太小时可以不要验证集只设MaxEpochs并观察训练损失但最终评估要严格留在测试集上。4. 从 classify 到 confusionchart四分类预测的正确评估姿势训练结束后trainNetwork会返回net和info。前者是模型对象用于预测后者记录每一轮迭代的准确率和损失。评估流程可以复用跑完主程序后先保存模型再做测试集推理。4.1 训练主流程与模型保存[net, info] trainNetwork(XTrainSeq, YTrain, layers, options); save(bilstm_net.mat, net, info);trainNetwork第一个参数是训练序列 cell第二个是标签第三个是layers第四个是options。输出info中常见的字段有TrainingLoss、TrainingAccuracy、ValidationLoss和ValidationAccuracy。保存模型能避免每次实验重新训练尤其在调参后想对比新旧网络时直接load(bilstm_net.mat)即可。4.2 对测试集做推理并画混淆矩阵YPred classify(net, XTestSeq); cm confusionchart(YTest, YPred); cm.Title BiLSTM 四分类混淆矩阵; cm.RowSummary row-normalized; cm.ColumnSummary column-normalized;classify和训练时一样要求测试集也是 cell 数组所以要用同一个makeSeq处理。YTest在 2.2 里已经被categorical转成了分类变量可以直接和YPred比较。confusionchart会生成一个四行四列的图行是真实类别列是预测类别。RowSummary在右侧显示每类召回率ColumnSummary在底部显示每类精确率这张图通常对应源码包里的BiLSTMC2.png或BiLSTMC3.png。4.3 用 confusionmat 计算精确率、召回率、F1confusionchart适合可视化但要写进汇报表格最好再手动提取具体数字C confusionmat(YTest, YPred); precision diag(C) ./ sum(C, 1); recall diag(C) ./ sum(C, 2); f1 2 * precision .* recall ./ (precision recall); f1(isnan(f1)) 0; accuracy sum(diag(C)) / sum(C(:));这段代码的关键在分母sum(C,1)是各列求和代表预测为该类的总数sum(C,2)是各行求和代表该类真实样本总数。对角线diag(C)是正确分类数。某个类在测试集中缺失时分母为 0 会产生NaN所以用isnan兜底。得到的precision、recall、f1都是四维向量可以拼成下面的表格格式类别样本数精确率召回率F11230.870.910.892250.750.720.733260.930.880.904210.800.860.83这组数是示意格式实际值以你的训练结果为准。如果四类样本不均不能只看整体正确率否则全预测成样本量最大的类别也能拿到很高分。每类 F1 都过 0.7 以上再谈优化。4.4 把训练曲线和混淆矩阵批量导出 PNG源码包里已有BiLSTMC1.png到BiLSTMC5.png五张图说明交付时通常需要把这些图形直接插进报告文档。用exportgraphics可以统一导出exportgraphics(gcf, BiLSTMC1.png, Resolution, 300);第一张图一般是训练进度曲线由trainingOptions里的Plots,training-progress自动弹出。后面的混淆矩阵和损失曲线可以按顺序命名。MATLAB 2018b 及以上都支持exportgraphics但它要求图窗存在所以要在出图命令后紧接着执行。如果报错换成print(gcf, -dpng, -r300, BiLSTMC1.png)效果相同。5. 乱码修复与结果图复现BiLSTMNC.m 的最后一公里下载包里最容易劝退人的问题不是网络不收敛而是.m文件打开后中文注释变乱码。原因很简单BiLSTMNC.m文件的字符编码和你当前 MATLAB 编辑器默认编码不一致最常见的是 UTF-8 和 GBK 混用。MATLAB 2018b 更偏向系统区域语言编码新版则默认 UTF-8两个版本换着打开就容易出问题。5.1 用记事本绕开编辑器编码问题不要直接在 MATLAB 里双击打开乱码文件。用操作系统自带记事本打开BiLSTMNC.m这时乱码同样存在但没关系全选复制关掉记事本。接着在 MATLAB 编辑器里新建脚本粘贴刚才复制的内容另存为同名.m文件覆盖原文件。粘贴过程中 MATLAB 会按当前会话的字符集重新解释文本乱码字符大概率能恢复。如果仍乱码可以执行feature(DefaultCharacterSet, UTF-8);执行后重新打开文件查看。这个命令在当前会话内生效不需要重启 MATLAB。多数情况下记事本复制粘贴方案足够处理资源描述里提到的“程序乱码”。5.2 逐段运行缩小问题范围BiLSTMNC.m如果带%%分节编辑器里会有多个 section。打开文件后用鼠标选中第一个 section按CtrlEnter逐段运行。先运行数据加载段检查XTrainSeq的每个 cell 是不是 1×15再运行网络定义段确认输入维度和这里是否一致。如果生成的图片和BiLSTMC1.png到BiLSTMC5.png对不上多半是数据处理方式不同比如把序列错误转成了 15×1 矩阵导致sequenceInputLayer(1)报特征维度错误。包里那份BiLSTM特征分类预测.docx通常写了作者当时的超参数和数据处理思路对照文档改代码比凭空猜快得多。打开文件时手工选择 UTF-8 并另存乱码问题通常就此打住。本文还有配套的精品资源点击获取