简介长短期记忆神经网络LSTM是处理时序数据与多特征分类的常用深度学习模型。这份Matlab实现的多输入单输出分类预测资源面向需要开展数据分类、模式识别或故障诊断等场景的科研人员与工程师覆盖二分类与多分类任务并已对程序注释细化只需替换数据集即可运行。压缩包共9个文件包含3个Matlab脚本主程序、初始化及辅助函数、1个示例数据集Excel、1个说明文档以及4张结果图分类效果图、迭代优化图、混淆矩阵图等整体大小约1.88MB结构清晰便于直接套用解压后即可按目录快速定位代码与图表。目前已有207人学习下载。通过该资源可快速掌握LSTM分类建模的完整流程获得可直接修改的源码与可视化结果适合在Matlab环境下进行时序特征分类预测的初学者及进阶使用者。1. LSTM 不只会做时间序列预测它也能直接扛分类任务拿到 LSTM大多数人第一反应是做股价、负荷、流量这类时间序列预测。但换个场景——手里一张表几列特征一列标签要做二分类或多分类——LSTM 同样能打。这套资源就是把这件事在 Matlab 里完整跑通的多输入单输出分类模型多特征输入每个样本输出一个类别程序内注释详细把数据集.xlsx 换成你自己的表就能跑。训练完自动出分类效果图、迭代优化图和混淆矩阵图二分类和多分类都覆盖。适合刚接触 LSTM、想在 Matlab 里快速搭出第一个能跑的分类工程的人也适合被「LSTM 只能做预测」这个惯性困住、想换个视角的熟手。核心代码拆成 main.m、initialization.m、fical.m 三个脚本配合一张数据集和一份说明结构不复杂但该有的环节一个不少。2. 多输入单输出的网络视图LSTM 分类的建模逻辑与数据维度2.1 从「预测值」到「类别标签」LSTM 分类的最短路径LSTM 的网络结构里真正干活的是细胞状态和三个门——遗忘门、输入门、输出门。这些门决定哪些信息要从上一时刻保留下来哪些新信息要写进去最后从隐状态里读出什么。很多人只记得它做回归预测有多顺却忽略了 LSTM 单元的隐状态 h_t 本质上就是网络自己学出来的一个特征摘要。分类任务里输入序列经过 LSTM 层之后最后一个时间步的隐状态包含了整个序列的压缩信息。把它接一个全连接层映射到类别空间再过 softmax 归一化成概率取概率最大的位置作为预测类别——这就是 LSTM 分类的最短路径。在 Matlab 里这条路径被封装成两个层layers [ sequenceInputLayer(numFeatures) lstmLayer(numHiddenUnits, OutputMode, last) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer ];逻辑说明sequenceInputLayer 声明每个样本的输入维度是 numFeatureslstmLayer 的 OutputMode 必须设成 last表示只取序列最后一个时间步的隐状态做输出后面才能接全连接层。如果误用默认的 sequence 模式输出的会是每个时间步一个结果和分类标签对不上。fullyConnectedLayer 的节点数等于类别数 numClasses最后用 classificationLayer 计算分类交叉熵损失。参数说明numFeatures 是数据集的特征列数numClasses 是标签的唯一值个数这两个值在数据处理阶段算出来不需要手写死。numHiddenUnits 是 LSTM 隐单元数控制网络容量后面调参章会详细讲怎么选。2.2 多特征怎么喂给 LSTMshape 决定训练能否开始这是 LSTM 分类和 LSTM 预测最大的一个分水岭。做时间序列预测时输入是「时间步 × 特征维」的矩阵做表格数据的分类预测时很多人拿着一个普通的「样本数 × 特征数」矩阵直接喂给 trainNetwork然后报错第一反应是「LSTM 不适合分类」——实际上只是 shape 没对上。Matlab 的 trainNetwork 规定序列到标签分类的输入 XTrain 必须是元胞数组每个元胞里放一个「特征数 × 时间步」的矩阵。对表格类多特征分类最常见做法是把一条样本的多个特征当作一个时间步也就是「特征数 × 1」的序列。% X_all样本数 × 特征数 的数值矩阵 % 每个样本转成 特征数×1 的元胞供 trainNetwork 使用 XTrain cell(numTrain, 1); for i 1:numTrain XTrain{i} X_train(i, :); end % 标签必须转成 categoricalclassificationLayer 不收数值标签 YTrain categorical(Y_train);逻辑说明X_train 是切分好的训练特征矩阵每一行是一条样本。循环里把每一行转置成列向量装进元胞数组。这个转换是 LSTM 分类里最容易踩的第一步漏了维度重塑或标签转换trainNetwork 会在第一轮就报错。参数说明这段代码里 numTrain 是训练样本数。如果你想把效果做得更好可以按特征相关性把特征重排成「特征群 × 时间步」的短序列但这份资源按「直接替换数据就能用」的设计目标默认走「特征数 × 1」兼容性最稳。2.3 trainNetwork 配置与损失曲线一直降到平台才算完网络搭好、数据 shape 对齐之后训练配置直接写进 trainingOptions。LSTM 分类和回归预测在训练配置上有一个关键差别回归用均方误差分类用交叉熵这个由层的组合自动决定不需要手动指定但学习率、批次大小、训练轮数这些仍然决定模型能不能收敛。options trainingOptions(adam, ... MaxEpochs, 200, ... MiniBatchSize, 32, ... InitialLearnRate, 0.01, ... GradientThreshold, 1, ... Shuffle, every-epoch, ... Verbose, 0, ... Plots, training-progress); net trainNetwork(XTrain, YTrain, layers, options);逻辑说明adam 是 LSTM 训练最常用的求解器对学习率不那么敏感但也不是完全不用管。MaxEpochs 控制整个训练集被完整遍历的次数MiniBatchSize 决定每次前向和反向传播拿多少条样本InitialLearnRate 是初始学习率太大损失曲线震荡太小收敛慢GradientThreshold 设成 1 是一种梯度裁剪防止 LSTM 训练中常见的梯度爆炸Shuffle 每个 epoch 都打乱数据顺序避免模型记住样本顺序。参数说明训练过程图会实时画出两条损失曲线和两条准确率曲线。判断训练是否正常的标准是损失一路下降到平台期、准确率同步抬升。如果损失曲线上下乱跳降学习率如果训练损失降了但验证损失不降往回查数据归一化或加早停。3. 拆工程main.m / initialization.m / fical.m 各管哪一段替换数据要过三关3.1 文件清单三个脚本加一张表的活法拿到压缩包先不要急着点运行先搞清每个文件是干什么的。这套资源的文件结构很规矩三个脚本各司其职按「环境 → 主流程 → 出图」三层拆开。文件职责换数据集时要不要动initialization.m清空工作区、关闭旧图、固定随机种子、集中定义超参数调参时改main.m主流程读数据、清洗、切分、归一化、搭网络、训练、调用出图必改fical.m分类结果计算与三张图分类效果图、迭代优化图、混淆矩阵图一般不动数据集.xlsx特征列 标签列每行一条样本替换说明.txt使用说明与文件结构只读main.m 和 fical.m 的分工需要注意main.m 只负责把数据喂进网络、拿到训练好的 netfical.m 负责拿测试集的真实标签和预测标签去算指标、画图。这个拆分的好处是你想把训练好的模型拿去测新数据时不需要重新训练只需要调 fical.m 的输入。3.2 替换数据的三关读入、转标签、切分换数据集是这套资源被问得最多的操作其实就三件事把 xlsx 读进来、把标签转成 categorical、把数据切分成训练和测试两部分。每一步都有各自的坑。第一关读入与清洗。xlsx 里混入空行、NaN 或者文本列是「替换数据就跑不通」的头号原因% 读取数据集假设最后一列是标签 data readtable(数据集.xlsx); data rmmissing(data); % 删除含缺失值的行 % 特征矩阵必须是 double任何文本列都会让 trainNetwork 报错 X data(:, 1:end-1); X table2array(X); Y data(:, end); Y table2array(Y);逻辑说明readtable 读进来的是 table 类型不能直接喂给 trainNetwork。table2array 把特征和标签都转成数值矩阵。rmmissing 会把含 NaN 的行整行删掉——这一步在样本量小的数据集上要谨慎删行可能删掉某个类别的全部样本后面切分时就会出问题。第二关标签必须转 categorical。Matlab 的 classificationLayer 只接受 categorical 类型标签数值标签也不认% 数值标签转 categorical并统计类别数 Y categorical(Y); numClasses numel(categories(Y));第三关切分。最常见的错误是不打乱直接按前 80% 训练、后 20% 测试。如果原始数据按类别排过序这种切分会让训练集里缺少某些类别。我用的是随机打乱后再切分% 随机打乱并切分 80% 训练 / 20% 测试 rng(1); idx randperm(size(X, 1)); numTrain floor(0.8 * size(X, 1)); X_train X(idx(1:numTrain), :); Y_train Y(idx(1:numTrain), :); X_test X(idx(numTrain1:end), :); Y_test Y(idx(numTrain1:end), :);逻辑说明randperm 生成一个随机排列的下标序列按这个序列切分确保训练集和测试集的类别分布和原始数据大致一致。rng(1) 固定随机种子保证每次运行切分结果一致——这对复现实验结果很重要。如果你用的是 cvpartition 做分层切分效果更稳因为它是按类别比例抽样的。参数说明0.8 是训练集比例可以按样本量调。样本量大的时候可以提到 0.9样本量小几百条的时候建议降到 0.7否则测试集太薄混淆矩阵没有统计意义。3.3 跑通一次训练从 initialization 到 fical 的调用顺序把工程跑起来的最稳路径是先运行 initialization.m再运行 main.m最后运行 fical.m。三个脚本的变量是共享的但顺序错了就拿不到变量。% initialization.m 的核心内容清环境、定种子、集中定义超参数 clear; close all; clc; rng(42); % 超参数集中在这里改main.m 里不要出现硬编码数字 numHiddenUnits 100; initialLearnRate 0.01; miniBatchSize 32; maxEpochs 200;逻辑说明把超参数集中在 initialization.m 里是一种工程习惯。我一般会把所有「可能需要反复试」的数字都拎到这个脚本里main.m 只通过变量名引用。这样调参的时候不用在几百行主脚本里翻找数字改一处就能覆盖全局。参数说明rng(42) 是固定随机种子。LSTM 的权重初始化本身带随机性不固定种子的话两次运行结果可能差好几个百分点。对要写进报告或论文的实验固定随机种子是第一步。main.m 里的顺序是读数据 → 切分 → 归一化 → 搭网络 → 训练 → classify 拿到测试集预测结果 → 调用 fical.m 出图。其中归一化这一步容易被忽略LSTM 对输入尺度敏感特征量级差太大时损失曲线会很难看。常见做法是用 mapminmax 把特征压到 [0,1] 区间% 用训练集的 min/max 做归一化测试集沿用同一套参数 [X_train, ps] mapminmax(X_train, 0, 1); X_train X_train; X_test mapminmax(apply, X_test, ps);逻辑说明mapminmax 默认按行操作所以要先转置。ps 里保存了训练集的归一化参数测试集必须用 apply 沿用同一套 min/max不能自己单独归一化——否则等于让模型提前看见了测试集的信息测试集准确率没有参考价值。参数说明0 和 1 是归一化目标区间的上下界。如果你的特征本身已经是同量级可以跳过这步但如果特征里有年龄、金额这种量级差异很大的列这步不能省。4. 参数决定成败隐藏单元、学习率、批次怎么调三张图怎么读4.1 超参数对照表从哪个参数开始调有优先级LSTM 分类的超参数不算多但每个都直接影响结果。我给一份按调试优先级排序的对照表照着这个顺序试能省掉大量瞎试的时间。参数作用常见区间调试优先级numHiddenUnitsLSTM 隐单元数决定网络容量32 ~ 2561InitialLearnRate初始学习率决定收敛速度与稳定性0.001 ~ 0.012MiniBatchSize每轮训练的样本数影响收敛稳定性和内存16 ~ 1283MaxEpochs训练轮数决定训练时长100 ~ 3004GradientThreshold梯度裁剪阈值防梯度爆炸15Shuffle是否每轮打乱数据every-epoch固定不动参数说明numHiddenUnits 的第一选择依据是特征数和样本量。特征数在 10 个以内、样本量几百条时64 就够特征数几十个、样本量上千时可以试 128~256。学习率的调试逻辑是先用 0.01 跑一轮看损失曲线是否震荡震荡就降到 0.001。MiniBatchSize 在数据量小的时候不要设太大32 是折中值。GradientThreshold 在 LSTM 里建议保持 1这是防止训练发散的一道保险。4.2 三张图过滤掉一半翻车现场训练完成之后fical.m 会输出三张图分别对应训练过程、分类效果和混淆矩阵。这三张图不只是「给论文凑图用」的每张图都在回答一个关键问题。迭代优化图回答「模型收敛了没有」。横轴是迭代次数纵轴是损失和准确率。判断标准很简单训练损失和验证损失都降到平台期训练准确率和验证准确率都抬起来才算训练完成。如果验证损失在某个点之后反弹上升说明过拟合了此时该做的是减小网络容量或增加数据而不是继续加 epoch。分类效果图回答「预测结果分布长什么样」。常见实现是把测试集的真实类别和预测类别按样本序号画在一起对比能直观看到哪些样本被分错、分错集中在哪个区间。混淆矩阵图回答「哪些类别容易被搞混」。对角线越亮越好对角线以外的亮块就是模型经常搞错的地方。如果第 A 类和第 B 类之间有一块很亮的非对角元素说明这两类在特征空间里确实离得近单靠调参很难根治反而应该回去查特征工程。4.3 拿时间序列那套参数套分类任务最常见的调参误区这是我见过最多的翻车现场。做过 LSTM 预测的人拿到分类任务后会本能地沿用预测那套配置OutputMode 设成 sequence、输出层用 fullyConnectedLayer(1)、损失走 regressionLayer——这些在分类任务里全是错的。逐条对应sequence 模式是给「每个时间步都要一个输出」的任务准备的比如逐帧标注分类任务只需要最后一个时间步的输出必须用 last输出层节点数在回归任务里是 1在分类任务里必须等于类别数损失函数层面回归用均方误差分类必须用交叉熵Matlab 里这是由 classificationLayer 自动决定的如果你手动加了 regressionLayer训练根本跑不起来。另一个常见误区是照搬时间序列的窗口长度。表格数据的多输入单输出每个样本就是一个独立序列不需要滑窗构造历史步。强行把相邻样本拼接成时间步不仅不会提升效果还会把样本间的独立性破坏掉。5. 避坑替换数据就报错五个常见问题的排查记录5.1 维度不匹配错误提示指向 trainNetwork但根因在数据现象把数据集.xlsx 换成自己的表之后运行 main.m 报错提示「输入数据大小不一致」或「训练观测数量必须与标签数量一致」。原因xlsx 里混入了文本列或空值列table2array 转出来的矩阵里带了 NaN 或者字符串导致特征矩阵的列数和 sequenceInputLayer 声明的 numFeatures 对不上或者数据清洗时删掉的行数没有同步到标签上。解决在 main.m 的读数据段加一行 size 检查。核对 X 的列数是否等于 numFeaturesX 的行数是否等于 Y 的行数。任何在数据处理阶段动过行数的操作比如删 NaN都要同时作用于 X 和 Y。5.2 标签列不能是文本中文标签直接让分类层罢工现象数据集的标签列是「是/否」「高/中/低」这类文本运行时报错提示标签类型不支持。原因categorical 类型可以接受中文文本但 readtable 读进来的文本列table2array 之后可能是 cell 数组不是数值矩阵classificationLayer 不认。解决文本标签先做编码映射。比如「高/中/低」映射成 3/2/1 再转 categorical。注意直接使用 categorical(Y) 也是可以的Matlab 会自动为文本标签创建类别但要确保 Y 在转 categorical 之前是干净的文本向量不是嵌套的 cell。5.3 训练慢到怀疑人生不一定是数据量的问题现象数据集只有几千条训练却要跑十几分钟甚至更久。现象数据集只有几千条训练却要跑十几分钟甚至更久。原因大多数情况是没启用 GPU或者 MiniBatchSize 设得太小GPU 算力没有喂饱也有小概率是 MaxEpochs 设得过大模型在损失已经到平台期之后还在空转。解决先跑 gpuDevice 确认环境里有没有可用显卡在 trainingOptions 里加上 ExecutionEnvironment,auto让 Matlab 自动选择。小数据集千条以内不要纠结 GPUCPU 就够大数据集注意看训练过程图的损失曲线在平台期停留超过几十个 epoch 时直接中断训练把 MaxEpochs 降下来重跑没必要等它空转。5.4 图出不来变量作用域问题不是画图代码写错现象main.m 跑完没报错但 fical.m 运行时提示找不到变量 net或者提示找不到分类效果图的变量。原因脚本和函数的作用域规则不一样。main.m 是脚本运行后变量留在工作区fical.m 如果开头写了 function它就变成函数文件拿不到脚本里生成的变量。解决fical.m 按函数写的话把 net、X_test、Y_test 作为参数传进去返回值是预测标签或图句柄。如果不想动函数签名最简单的办法是把 fical.m 的 function 声明去掉改成脚本让所有变量走共享工作区——工程上不推荐但急着看结果时这是最快的。5.5 准确率虚高但实际没用类别不平衡被完全忽略现象训练完看混淆矩阵总准确率 87%但其中某一类召回率是 0所有样本都被预测成了样本量最大的那一类。原因数据集类别分布极不均衡大类别占了绝大多数模型学会了「全部预测成大类别」就能拿到高准确率小类别完全被淹没。解决模型训练前先画直方图看类别分布。如果大类别占比超过 80%先做重采样——对大类别降采样或对小类别过采样。Matlab 里可以用 datasample 对小类别做有放回抽样把不平衡拉到 3:1 以内再训练。这类问题靠调参解决不了只能在数据侧处理。6. 从二分类到多分类的一个硬核技巧换输出层还不够评估也要换6.1 输出层与评估从「一个数字」换成「一组指标」二分类改多分类网络层面的改动确实不大——numClasses 从 2 变成类别数fullyConnectedLayer 的节点数跟着变混淆矩阵从 2×2 变成 k×k。真正需要换思路的是评估方式。二分类时看一眼准确率就够了多分类时准确率会掩盖小类别的崩坏切到多分类之后我一般会补算宏平均 F1。% 多分类的宏平均 F1对每个类别单独算 F1再取平均 C confusionmat(Y_test, Y_pred); numClasses size(C, 1); precision zeros(numClasses, 1); recall zeros(numClasses, 1); for k 1:numClasses tp C(k, k); precision(k) tp / sum(C(:, k)); % 预测为该类中真正是该类的比例 recall(k) tp / sum(C(k, :)); % 实际为该类中被正确找回的比例 end f1 2 * (precision .* recall) ./ (precision recall); macroF1 mean(f1, omitnan);逻辑说明confusionmat 返回的是混淆矩阵 CC(k,k) 是第 k 类被正确预测的样本数。sum(C(:,k)) 是所有被预测成第 k 类的样本数sum(C(k,:)) 是所有实际属于第 k 类的样本数。逐类算 precision 和 recall再合成 F1最后的宏平均把每个类别当成平等的个体不会让大类别一家独大。omitnan 是为了跳过某个类别在测试集中完全没有样本时产生的 NaN。参数说明这段代码放在 fical.m 里紧跟混淆矩阵之后运行。打印结果时把准确率和 macroF1 一起写进说明文件后续对比不同超参数时两张表对照着看比只看准确率更能反映模型真实水平。多分类还有一个稳定性验证的小习惯换不同的随机种子跑 3~5 次每次记录混淆矩阵最后对多个混淆矩阵取平均。单次实验的结果可能撞上好运或坏运平均后的混淆矩阵才是这个模型在这个数据集上的真实水平。那次四分类实验总准确率 87% 但 B/C 类召回为零之后我拿到任何数据集都先跑 histcounts 看类别分布再碰网络参数这个习惯直接让我少翻了至少三次车。希望帮到你。本文还有配套的精品资源点击获取