时间序列分类MATLAB

Question

我的任务是使用MATLAB和任何神经网络框架对时间序列数据进行分类。

更具体地描述任务：是计算机视觉领域的一个问题。Is是一项场景边界检测任务。

源数据是来自视频流的4个相邻帧直方图相关阵列。基于此数据，我们必须将此时间序列分为两类：

• “场景中断”
• “没有场景中断”

因此，每个源数据输入的网络输入是4个双倍值，输出是一个二进制值。我将在下面展示src数据的示例：

0.997894,0.999413,0.982098,0.992164
0.998964,0.999986,0.999127,0.982068
0.993807,0.998823,0.994008,0.994299
0.225917,0.000000,0.407494,0.400424
0.881150,0.999427,0.949031,0.994918

问题是，来自Matlab神经工具箱的模式识别工具（如patternnet）威胁着独立元素等源数据。但我坚信，只有net根据之前相关性的历史做出决定，结果才会精确。

但我也未能从服务于时间序列分析的reccurent网络（如delaynet和narxnet）中获得有效响应。

narxnet和delaynet返回了糟糕的结果，看起来这些类型的网络不应该解决分类任务。我不会在这里插入任何代码，因为它是使用Matlab神经工具箱GUI完全自动生成的。

我会感谢任何帮助。特别是，一些建议哪种工具更适合完成我的任务。

Answer 1

我不确定这个问题分类有多难。给定您的样本，4输入1输出前馈神经网络就足够了。

如果您坚持使用历史输入，您只需预处理您的输入d，这样

您的新输入D（t）（时间t的向量）由d（t）是时间t的1x4向量组成；d（t-1）是时间t-1的1x4向量；...和d（t-k）是时间t-k的1x4向量。

如果<代码>t-k

所以你有一个1x（4（k 1））向量作为输入，一个输出。与Dan提到的类似，您需要找到一个好的k。

说到权重，我认为没有必要对输入进行额外的预处理，例如加窗方法，因为神经网络将被训练为为每个输入维度分配权重。

这听起来有点乱，因为神经网络会独立考虑每个输入维度。这意味着您会丢失作为四个相邻相关性的信息。

一种可能的解决方案是预处理提取邻域特征，例如使用均值和标准差作为代表原始特征的两个特征。