目录
MATLAB实现基于卷积双向长短期记忆神经网络（CNN-BiLSTM）进行多变量分类预测的详细项目实例 2
项目背景介绍... 2
项目目标与意义... 4
精准识别复杂多变量时序模式... 4
提升多变量状态监测与预警能力... 4
形成可在MATLAB中直接复用的工程实践范式... 4
探索卷积与双向长短期记忆融合架构的优势和局限... 5
项目挑战及解决方案... 5
多变量时间序列数据质量与预处理难题及应对策略... 5
CNN-BiLSTM架构设计与超参数选择的复杂性及优化路径... 6
工程实现、训练稳定性与可视化分析的难点及解决方式... 6
项目模型架构... 7
多变量时间序列输入结构与样本构造方式... 7
卷积特征提取模块... 7
双向长短期记忆序列建模模块... 8
全连接分类与softmax输出层... 9
整体CNN-BiLSTM网络组合与训练策略... 9
项目模型描述及代码示例... 10
CNN-BiLSTM网络结构定义示例... 11
训练选项与网络训练示例... 11
模型评估与混淆矩阵可视化示例... 12
MATLAB实现基于卷积双向长短期记忆神经网络（CNN-BiLSTM）进行多变量分类预测的详细项目实例
请注意此篇内容只是一个项目介绍 更多详细内容可直接联系博主本人
或者访问对应标题的完整博客或者文档下载页面（含完整的程序，GUI设计和代码详解）
多变量时间序列在工业生产、金融交易、能源调度、智能制造等场景中普遍存在，每一个时间点往往不仅包含一个观测量，而是由多个相互关联的传感器、指标、状态信号共同构成。例如在智能工厂中，温度、压力、流量、电机电流、振动加速度、产量等多种信号会同时记录；在电力系统中，有功功率、无功功率、电压、电流、频率以及环境气象信息会一起参与调度决策。传统的单变量模型很难刻画这些变量之间复杂的相关性和时序依赖关系，而多变量分类预测模型能够通过综合分析多维特征，为状态识别、故障诊断、风险预警和策略推荐提供更准确的决策依据。
在众多深度学习方法中，卷积神经网络和长短期记忆神经网络是处理时间序列和序列分类问题的两类基础模型。卷积神经网络通过局部卷积与权值共享，擅长自动提取局部空间或时序模式，能够从多变量时间序列的局部窗口中挖掘短期突变、局部波动和关键形状特征；长短期记忆网络利用门控结构在时间维度上传递记忆，对长期依赖关系建模更加稳定，在需要考虑长时间跨度状态演化的场景中表现突出。然而，单向的长短期记忆网络仅利用从过去到当前的时间顺序，忽略了从“未来”回看“过去”所能提供的互补信息，这在离线分析或离线建模场景中会造成信息利用不充分。
双向长短期记忆结构通过在时间序列上同时构建前向和后向两个长短期记忆网络，从而在每一个时间点上综合利用历史信息和未来信息，有助于在多变量状态分类中实现更细致的时间上下文理解。当卷积结构用于前端特征提取，再接续双向长短期记忆结构进行上下文建模时，卷积网络负责在局部时间窗口内抽取空间/通道组合特征，而双向长短期记忆网络在更高层级上捕捉整体演化趋势及时序逻辑，这种组合模型在许多复杂序列分类场景中展现出优于单一模型的性能。
多变量分类预测任务与回归预测不同，目标是将一段时间序列样本映射为一个离散类别标签，用于描述当前时间段的工况类型、设备状态等级、风险水平等。对于工业设备来说，类别可能包含“正常”、“轻微异常”、“严重异常”、“维护中”等；对于金融市场而言，类别可以设计为“上涨趋势”、“下跌趋势”、“震荡区间”等；在交通流预测中，可以采用“畅通”、“轻度拥堵”、“重度拥堵”等标签。通过对多变量时间片段进行分类，能够在实际应用中直接输出可用于决策的智能判断结果，避免对连续数值进行再解释和阈值划分。
在MATLAB R2025b环境中，深度学习工具箱已经提供成熟的序列网络训练接口、多维数组处理能力以及GPU加速支持，非常适合进行多变量时间序列建模。R2025b版本在界面控件、可视化和部分模型接口上做出调整，例如推荐使用figure与uicontrol结合构建传统图形界面，confusionchart作为独立图形对象管理混淆矩阵可视化，colormap需要针对figure或axes进行设置等，这些规范在项目实践中需要提前考虑，避免运行时错误。结合MATLAB稳健的数值计算功能，多变量特征工程、标准化与归一化、数据清洗和特征可视化等预处理任务也能高效完成，使整个CNN-BiLSTM多变量分类预测流程在单一环境中完成设计、调试和验证。
在工程应用场景中，数据质量不稳定、采样频率不一致、缺失值与异常点频繁出现等问题十分常见，需要在项目中系统地设计数据预处理流程，例如插值、滤波、异常值检测与剔除、统一重采样和长度对齐等操作。卷积与双向长短期记忆结构对于噪声具有一定鲁棒性，但高密度噪声或非典型异常仍可能破坏特征模式，因此在模型构建之前进行合理的数据清洗，是提升CNN-BiLSTM分类性能的关键一步。同时，多变量之间存在不同量纲和数量级，如温度的量纲与电流、振动幅值完全不同，如果不进行标准化或归一化处理，网络在训练时容易将权重集中于数值范围较大的变量，忽视其他变量的作用，从而导致模型偏置和收敛困难。
此外，多变量时间段的长度设计也十分重要。时间窗口过短可能无法捕捉完整的状态演化过程，导致分类决策信息不足；时间窗口过长则会增加模型参数量和训练时间，也可能引入与当前标签无关的远端信息，从而削弱模型的判别能力。本项目将结合卷积核大小、时间步长度、下采样（池化）策略以及双向长短期记忆层单元数，综合考虑时间窗口有效信息覆盖与模型复杂度之间的平衡。在实际工程中，可以通过交叉验证和网格搜索评估不同窗口长度和超参数组合的效果，并利用混淆矩阵、精度、召回率、F1值等指标对分类性能进行全面评估。
综上，基于卷积双向长短期记忆神经网络的多变量分类预测项目，既有深度学习模型结构层面的创新组合，又扎根于现实多变量时间序列分析的实际需求，能够为智能监测、故障诊断、状态识别等任务提供一种兼顾准确性与可推广性的解决方案。结合MATLAB R2025b提供的工具链，从数据预处理、模型构建、训练过程控制到结果可视化与误差分析，均可以实现完整闭环。项目的实现不仅可以验证CNN-BiLSTM架构在多变量分类中的适用性和优势，也将为之后的模型扩展（如引入注意力机制、图卷积结构等）奠定实践基础。
项目目标与意义
精准识别复杂多变量时序模式
本项目首要目标是构建一个能够精准识别复杂多变量时间序列模式的分类模型。多变量时间序列包含大量维度各异的观测信号，变量间可能存在非线性相关、滞后效应和交互影响，传统基于线性假设或单变量分解的统计模型难以捕捉这种复杂结构。通过在前端引入卷积结构，从局部时间片中提取短期形状特征和局部组合模式，可以有效识别快速突变、局部振荡、边缘变化等不易通过简单线性指标反映的特征；随后通过双向长短期记忆网络，在时间维度从前向和后向同时建模，将局部特征嵌入更长时间范围的上下文之中，从而提升对整体时序模式的辨别能力。项目目标是在多类别分类场景中获得较高的准确率、宏平均F1以及较稳定的各类间识别性能，避免出现对少数类识别能力薄弱的情况。通过系统的实验与参数调整，形成一套在多种多变量时间序列数据上均可迁移和复用的模型设计经验，为实际工程问题提供可靠的模式识别工具。
提升多变量状态监测与预警能力
多变量分类预测不仅关心模式识别本身，更重要的意义在于服务状态监测与预警。项目目标之一是在多通道传感器数据或多指标监测数据上建立稳定的状态分类模型，使其能够在给定时间窗口内准确给出设备或系统当前所处的工况类别，并为潜在异常或故障提供提前预警能力。在工业应用中，当多变量时间序列中的某些组合模式预示着即将发生的故障或性能退化时，CNN-BiLSTM模型可以在故障尚未完全显现时，通过对多维信号的整体形态和演化规律进行分析，判断是否属于“异常趋势”类别，从而为维护人员争取时间窗口，减少停机损失和安全风险。在电力系统和交通系统中，模型可以利用多指标数据对“高负荷”、“过载”、“拥堵”等状态进行准确识别和提前提示，协助调度决策。项目从方法论上探索如何利用深度模型内在的特征表达能力，把多变量时序的复杂变化转化为对状态等级的清晰判别，从而显著提升多变量监测场景的预警水平。
形成可在MATLAB中直接复用的工程实践范式
项目还有一个重要目标是构建一整套可以在MATLAB R2025b环境中直接复用的工程实践范式，包括数据组织格式约定、网络层级结构搭建、训练和验证脚本、结果可视化以及模型保存与加载方式等。通过完整地展示从数据预处理到模型训练与评估的步骤，并配以详细注释，使得这一项目可以作为后续相关研究和工程实现的基础模板，方便在不同多变量数据集和不同业务场景之间迁移。在许多科研和工程团队中，成员已经相当熟悉MATLAB的数值计算环境，若能够依托本项目提供的实现框架，只需更换数据集并适度调整网络超参数即可快速完成一个新的多变量分类模型搭建，将大幅降低深度学习项目的入门门槛和开发成本，同时减少在界面变更、接口细节、GPU配置等方面的试错时间。项目中所有核心步骤均围绕R2025b的特性进行设计，确保在最新版本下能够稳定运行并获得可复现结果。
探索卷积与双向长短期记忆融合架构的优势和局限
卷积结构与双向长短期记忆结构组合应用在多变量时间序列分类中，在理论上具有充分的动机，但在具体工程数据集上表现如何、对超参数敏感度如何、对噪声和数据缺失的鲁棒性如何，仍需要通过系统实验加以检验。本项目从这一角度出发，将CNN-BiLSTM架构置于可控的多变量数据环境中，通过设计合成数据和真实数据实验，评估卷积核大小、卷积层数、池化策略、双向长短期记忆单元数量以及全连接层结构等因素对分类表现的影响。同时，项目也致力于探索这种融合架构的局限性，例如是否会在样本量较小或类别高度不平衡的情况下产生过拟合，是否对序列长度变化过于敏感，是否在面对高噪声环境时出现性能下降等。通过对比其他模型（如纯长短期记忆网络、一维卷积网络或传统机器学习方法）的实验结果，总结CNN-BiLSTM架构在多变量分类中的适用边界，为后续引入注意力机制、图结构建模或自监督预训练等更复杂方法奠定系统性分析基础。这种对优势与局限的清晰认知，将帮助使用者在实际应用时作出恰当的模型选择和结构调整。
项目挑战及解决方案
多变量时间序列数据质量与预处理难题及应对策略
多变量时间序列的原始数据通常来源复杂，采集过程中面临传感器故障、通信中断、电磁干扰、人工误操作等多种不确定因素，导致大量缺失值、异常值和噪声污染。各变量的采样频率可能不一致，采集时间戳存在偏移，有些通道在某些时间段内完全失效，甚至出现整段数据缺失。各变量的量纲差异也可能非常显著，例如温度以摄氏度计量、电流以安培计量、压力以千帕计量、振动以g或m/s²计量，直接输入深度网络会造成梯度更新偏向数值较大的变量。这些问题如果处理不当，容易使CNN-BiLSTM网络学习到错误模式，或者出现训练过程不收敛、梯度爆炸、分类性能极不稳定等情况。
针对上述挑战，项目在预处理阶段构建了系统性的解决方案。首先，在数据导入后进行统一的时间戳对齐和重采样，将所有变量按同一时间间隔进行插值或聚合，形成结构一致的多变量时间序列矩阵。针对缺失值，结合时间序列插值、前向填充、后向填充以及阈值剪裁策略，分别处理短时缺失与长时间段缺失；对于占比过高或整段缺失严重的样本，直接剔除，以保障训练数据质量。异常值通过基于统计特征（如均值±多倍标准差）、滑动窗口极值检测以及物理合理性约束进行判定，并采用替换或删除策略修正。之后实施标准化或归一化，将各变量变换到均值为零、方差为一，或映射至固定区间，使训练过程中的梯度传播更稳定。此外，考虑到卷积层对局部波动较敏感，在某些噪声较大的数据环境中，先进行平滑滤波（如滑动平均或中值滤波），再送入网络，可以有效增强有用模式的信号占比。通过在MATLAB R2025b环境中实现这一整套预处理流程，为后续的CNN-BiLSTM模型训练奠定干净且结构统一的数据基础，显著缓解数据质量问题对最终分类效果的负面影响。
CNN-BiLSTM架构设计与超参数选择的复杂性及优化路径
卷积网络与双向长短期记忆网络的组合在结构设计上具有高度灵活性，但也带来了大量超参数和结构选择问题。例如，卷积层需要确定卷积核大小、卷积核数量、步长、填充方式和层数；池化层需要确定池化窗口和步长；双向长短期记忆层需要决定隐藏单元数量、层数、是否叠加多层双向结构；全连接层需要设计神经元数以及是否加入dropout防止过拟合。多变量时间序列的长度、变量数量、类别数以及样本数量都会影响最优结构的选择。在缺乏经验的情况下，直接选取较深的网络容易配置不当，导致训练时间冗长、内存占用过高或性能不稳定。
项目设计了一条分阶段的架构优化路径来应对这一挑战。首先，在模型初期构建阶段采用较为简洁的CNN-BiLSTM结构：单层或双层卷积、一层双向长短期记忆和单层全连接分类层，通过在小规模数据集和较少训练轮数上快速迭代，观察训练损失和验证精度的变化，初步评估结构合理性。然后根据误差收敛速度和过拟合情况，逐步调整卷积核大小（例如从3、5、7等不同感受野进行比较）、卷积核数量（控制特征通道数）、双向长短期记忆隐藏单元数量（平衡记忆能力和参数规模），以及学习率、mini-batch大小等训练超参数。对于类别数较多的任务，将适度增加卷积通道数和双向长短期记忆单元，以增强区分能力；对于类别不平衡的任务，配合类别权重或重采样策略降低偏置。MATLAB R2025b的深度学习工具箱支持直接在训练选项中设置学习率、梯度截断阈值、验证频率等，可以通过系统性的网格搜索或逐步人工调整，快速锁定一个在精度和效率之间平衡良好的网络结构。最终形成一套在多种数据集和任务场景下都具有较好表现的参考架构，为后续任务提供可复用的CNN-BiLSTM模型模板。
工程实现、训练稳定性与可视化分析的难点及解决方式
在实际工程实现中，除了模型结构本身，以稳定、高效的方式组织训练流程、监控训练状态并进行结果可视化同样充满挑战。多变量时间序列数据通常规模较大，在MATLAB环境下进行深度学习训练需要合理利用GPU资源、控制内存开销，并采用适当的训练选项避免梯度爆炸或消失。R2025b版本在界面与可视化方面做出一些调整，例如ConfusionMatrixChart不再作为Axes子对象使用，colormap设置方式也有所变化，如果仍沿用老版本代码习惯，将出现不兼容问题。此外，在模型评估阶段，需要通过混淆矩阵、ROC曲线、多类精度指标等方法全面诊断模型表现，以便针对性地优化。
项目在工程层面采用数个关键策略保证训练稳定性和可视化效果。首先，在训练选项中启用梯度剪裁，以防止在双向长短期记忆层中出现梯度爆炸；同时根据数据规模和网络深度合理设置mini-batch大小，在保证GPU内存可承受的前提下提高训练效率。对于学习率，根据训练损失曲线采取预设学习率衰减策略，使模型在初期快速下降，在中后期更精细地调整权重。其次，在MATLAB R2025b中使用trainingOptions结合trainNetwork进行训练，将验证数据集与训练过程绑定，实时监控验证集性能，防止过拟合严重加剧而未被察觉。对于可视化分析，采用confusionchart函数创建独立的混淆矩阵图窗，并通过将colormap指定到figure对象上使用turbo色图，提升可读性。在分类结果分析阶段，结合分类报告、每一类的精度与召回率分布，以及混淆矩阵的误判模式，寻找模型在某些类别上的不足，并针对性调整数据比例或损失权重。通过这样的工程化流程设计，不仅保证了模型训练的稳定性，也使整个CNN-BiLSTM多变量分类项目在MATLAB环境下形成一个可操作性强、容易调试和扩展的解决方案。
项目模型架构
多变量时间序列输入结构与样本构造方式
CNN-BiLSTM模型的输入是多变量时间序列片段，每一个样本由一个固定长度的时间窗口和对应的类别标签构成。输入可以组织成三维数组，维度通常为 [时间步数 × 特征数 × 样本数]。时间步数代表在某窗口内的采样点数量，特征数对应多变量的通道数，例如温度、压力、电流等；样本数为切分后的窗口数量。在模型训练前，需要将连续的长时间序列分割成许多相互独立的窗口，可以采用滑动窗口方式（窗口之间有重叠）或非重叠窗口方式，根据任务要求和数据量进行选择。滑动窗口能够增加样本数量，提高模型泛化能力，但会增加训练时间；非重叠窗口则更节省计算资源。
样本构造的核心目标是保证每个窗口内部包含足够的信息用于判别所对应的类别，同时又不过长以致引入过多无关历史。标签可以依据窗口末端时间点的状态决定，也可以依据窗口中大部分时间的状态决定，这取决于具体业务需求。在多类别场景中，每个窗口都对应一个类别索引，采用分类标签形式管理。构造样本时，需要保证各类别的样本数量尽可能平衡，若原始数据中类别分布严重不均，可以通过调整滑动窗口步长或进行过采样来缓解类别不平衡问题。在MATLAB环境中，常用方法是将每个样本窗口组织为矩阵，再通过cat或数组预分配的方式堆叠为三维数组，方便trainNetwork直接调用。输入层使用sequenceInputLayer时，可以将每个样本存储为cell数组中的一个矩阵，大小为[特征数 × 时间步数]，也是一种常用模式。
卷积特征提取模块
卷积部分位于整个CNN-BiLSTM架构的前端，主要任务是从多变量时间序列中抽取局部特征。在时间序列场景中，通常使用一维卷积结构，以时间维作为卷积维度。输入的每个时间序列样本具有多个特征通道，卷积层通过多个卷积核在时间轴上滑动，对多维信号进行局部感受野内的线性组合与激活，从而捕捉不同尺度下的时间模式，例如短周期振荡、局部突变、趋势拐点等。卷积核大小决定了每次观察的时间窗口长度，小卷积核侧重捕捉细粒度变化，大卷积核则能识别更长跨度的形态。卷积核数量对应输出特征通道数，数量越多，网络可以学习的局部模式越丰富，但参数量也随之增加。
卷积层后通常接非线性激活函数，如ReLU，用于引入非线性特征变换，增强模型表达能力。为了控制特征图长度并提升模型对局部平移的泛化能力，还可以在卷积层之后加入一维最大池化层或平均池化层，通过在时间维度上取局部最大值或平均值实现降采样。池化不仅降低了后续BiLSTM输入的时间步数，减轻计算负担，也有助于抑制局部噪声。在CNN-BiLSTM架构中，卷积模块的总设计要求在捕捉足够的局部模式信息与控制参数规模和时间复杂度之间取得平衡，因此在实际工程应用中，通常采用1到2层卷积配合池化即可获得良好效果。卷积模块输出经过适当重排后，将作为双向长短期记忆模块的输入，使得BiLSTM可以在较高层特征空间上进行时序建模。
双向长短期记忆序列建模模块
在完成卷积特征提取后，得到的是一个在时间维度上仍然保持序列结构的高维特征图。双向长短期记忆模块接收这一特征序列，进一步在时间维度上建模长期依赖关系。与标准长短期记忆网络不同，双向结构包含两个方向相反的长短期记忆网络：一个从过去到未来顺序处理序列（前向），另一个从未来到过去逆序处理序列（后向）。对于每个时间步，会同时获得前向和后向的隐藏状态，这两个状态可以拼接或求和形成该时间步的综合表示。这样，在任意一个时间位置，模型在做出表征时不仅考虑它之前的历史，还考虑它之后的未来上下文，这对于离线分析和整体序列分类尤其有用。
长短期记忆单元内部通过输入门、遗忘门和输出门控制信息流动，能够有效缓解传统循环网络在长序列上出现的梯度消失问题。输入门决定当前输入信息有多少写入单元状态，遗忘门负责从单元状态中删除过时的信息，输出门则控制单元状态有多少传递到当前输出隐藏状态。双向结构在两个方向上都共享这种门控机制，使得整体网络可以在任意时间点上综合理解序列的全局结构。对多变量时间序列分类任务来说，许多状态类别并不由某个局部突变单独决定，而是由一段时间内的整体行为模式决定，例如慢性退化趋势、周期性波动状态、长时高负荷等，双向长短期记忆模块通过在时间维上捕捉这些模式，可以显著提高分类准确率。
在架构设计中，需要选择合适的隐藏单元数量和双向层数。隐藏单元数量越多，模型的记忆容量越大，对复杂模式的拟合能力越强，但也更容易过拟合，并且训练时间和内存开销增加。对于大多数多变量工业监测任务，一层双向长短期记忆配合100到256数量级的隐藏单元通常可以达到较好平衡；对于更为复杂的业务，可以考虑叠加两层双向结构。双向长短期记忆的输出可以选择最后一个时间步的综合表示，或者对所有时间步的输出做池化处理后再送入全连接层进行分类。为了进一步提升泛化能力，可以在BiLSTM输出后加入dropout层，引入随机失活机制，减轻过拟合风险。
全连接分类与softmax输出层
双向长短期记忆模块输出的是高维的时间序列特征，每个样本最终需要映射到一个类别标签，因此在网络末端设置全连接分类和softmax输出层。全连接层将BiLSTM产生的特征向量映射到一个长度等于类别数量的向量，每个分量表示对应类别的未归一化得分。随后通过softmax层对这些得分进行指数归一化，转化为类别概率分布，保证所有类别概率之和为1。训练过程中使用交叉熵损失函数度量预测概率分布与真实标签分布之间的差异，对多类别任务而言，这种损失函数能够有效驱动模型提升正确类别的预测概率，降低错误类别的概率。
在实际设计中，可以根据任务复杂度和BiLSTM输出特征维度，在BiLSTM与最终分类层之间插入一到两层全连接层，以进一步进行特征压缩和非线性变换。对于高维BiLSTM输出（例如512或1024维），先通过一个较宽的全连接层映射到中间维度，再通过dropout和激活函数处理，可以提高模型对不同类别边界的区分能力。最后一层全连接则严格采用类别数量作为输出维度，以便与softmax概率分布对应。在MATLAB深度学习工具箱中，可以直接使用fullyConnectedLayer和softmaxLayer以及classificationLayer构建这一部分。classificationLayer会自动计算交叉熵损失，并在训练过程中将反向梯度传播回前面各层。通过这一端到端的训练流程，卷积模块与双向长短期记忆模块能够协同优化，由数据驱动学习适合当前多变量分类任务的特征表示。
整体CNN-BiLSTM网络组合与训练策略
综合上述各个模块，CNN-BiLSTM网络整体由输入层、卷积特征提取模块、可选池化层、双向长短期记忆序列建模模块、全连接分类模块和softmax输出组成。整体信息流向为：多变量时间序列窗口经输入层送入卷积层，卷积层在局部时间范围内提取多通道特征，池化层进行下采样和特征汇聚，将降维后的特征序列送入双向长短期记忆模块进行全局上下文建模。BiLSTM的输出再通过全连接层压缩到类别空间，经过softmax输出概率分布，通过classificationLayer计算损失并完成端到端训练。为了适配MATLAB R2025b环境，网络定义使用layerGraph或layer数组，训练通过trainNetwork执行，训练选项由trainingOptions控制。
训练策略上，需要综合考虑数据规模、类别分布和模型复杂度。首先将样本分为训练集、验证集和测试集，训练集用于参数学习，验证集用于超参数调优和早停策略，测试集保留用于最终性能评估。训练选项中合理设置初始学习率、MiniBatchSize、MaxEpochs等参数。在序列模型中容易出现梯度问题，因此通常启用GradientThreshold控制梯度截断，避免数值过大导致不稳定。对于GPU支持的环境，在trainingOptions中指定executionEnvironment为'gpu'，可显著加快训练速度。验证频率可以设定为每若干次迭代评估一次验证集性能，通过观察验证损失和准确率曲线判断是否出现过拟合。若发现训练集性能持续提升而验证集性能开始下降，可以适当引入强度更大的正则化（如增大L2正则参数）、增加dropout比例，或使用early stopping策略终止训练并回滚最佳验证性能时的模型参数。通过这一系列训练策略，CNN-BiLSTM网络在MATLAB R2025b环境下能够稳定收敛，并完成多变量分类任务的高质量建模。
项目模型描述及代码示例
rng(1); % 固定随机数种子，保证多次运行生成的模拟数据一致，便于结果复现 numSamples = 2000; % 设定总样本点数量，用于构造连续多变量时间序列 numFeatures = 4; % 设定多变量特征数量，例如温度、压力、电流、振动四个通道 t = (0:numSamples-1)'/10; % 构造时间轴向量，采样间隔为0.1，单位可理解为秒 data = zeros(numSamples,numFeatures); % 预分配多变量数据矩阵，提升后续赋值效率 data(:,1) = 20 + 2*sin(2*pi*0.05*t) + 0.5*randn(numSamples,1); % 第1通道模拟温度信号，包含低频正弦趋势和高斯噪声 data(:,2) = 5 + 0.8*sin(2*pi*0.1*t+0.5) + 0.5*randn(numSamples,1); % 第2通道模拟压力信号，频率略高并加入噪声 data(:,3) = 10 + 3*square(2*pi*0.02*t) + randn(numSamples,1); % 第3通道模拟电流信号，使用方波体现工况切换特征 labels = strings(numSamples,1); % 创建标签字符串数组，用于存放每个时间点对应的状态类别 labels(idx1) = "State1"; % 将该时间段标签设为State1，模拟正常工况 labels(idx2) = "State2"; % 将该时间段标签设为State2，模拟轻微异常工况 idx3 = t >= 80 & t < 120; % 定义第3种状态时间段，时间在80到120之间 labels(idx3) = "State3"; % 将该时间段标签设为State3，模拟严重异常工况 idx4 = t >= 120; % 定义第4种状态时间段，时间大于等于120 labels(idx4) = "State4"; % 将该时间段标签设为State4，模拟恢复或另一种工况 windowSize = 50; % 设定时间窗口长度，每个样本包含50个连续时间步 stepSize = 10; % 设定滑动窗口步长，相邻样本起点间隔10个时间步 numWindows = floor((numSamples-windowSize)/stepSize)+1; % 计算可以滑动得到的样本窗口数量 X = cell(numWindows,1); % 使用cell数组存放序列特征，每个单元为一个样本矩阵 endIdx = startIdx + windowSize - 1; % 当前窗口结束索引，由起始索引加窗口长度确定 seg = data(startIdx:endIdx,:); % 从连续时序数据中截取当前窗口对应的多变量片段 X{i} = seg'; % 将窗口片段转置为[特征数×时间步数]的矩阵形式，适配sequenceInputLayer Y(i) = categorical(mode(winLabels)); % 使用窗口内出现频率最高的类别作为该样本的整体标签 for i = 1:numWindows % 对每个样本进行标准化处理 end Y = Y(idx); % 同步打乱标签顺序，保持特征与标签对应关系 numTrain = floor(0.7*numWindows); % 将70%样本划分为训练集，用于参数学习 numVal = floor(0.15*numWindows); % 将15%样本划分为验证集，用于调参与早停 XTrain = X(1:numTrain); % 提取训练集特征序列单元 YTrain = Y(1:numTrain); % 提取训练集标签 XVal = X(numTrain+1:numTrain+numVal); % 提取验证集特征序列单元 YTest = Y(numTrain+numVal+1:end); % 提取测试集标签，用于最终评估 CNN-BiLSTM网络结构定义示例 numFeatures = size(XTrain{1},1); % 根据训练集首个样本矩阵行数确定特征通道数 classes = categories(YTrain); % 从训练集标签中提取所有类别名称，构成类别列表 maxPooling2dLayer([2 1],"Stride",[2 1]) % 最大池化层，沿时间维以步长2进行下采样，减半时间步数并增强平移不变性 sequenceUnfoldingLayer % 序列展开层，将卷积和池化后特征从伪图像批次形式恢复为序列形式 bilstmLayer(numHiddenUnits,OutputMode="last") % 双向长短期记忆层，仅输出最后时间步的隐藏状态，浓缩全局上下文信息 dropoutLayer(0.5) % Dropout层，以0.5概率随机失活一半单元，减轻过拟合 fullyConnectedLayer(64) % 全连接层，输出维度64，用于进一步特征压缩和非线性组合 reluLayer % 再次使用ReLU激活，提升分类边界非线性表达能力 训练选项与网络训练示例 miniBatchSize = 64; % 设定小批量大小为64，根据GPU显存与数据规模折中选择 maxEpochs = 20; % 最大训练轮数设为20，保证模型有充分时间收敛 initialLearnRate = 1e-3; % 初始学习率设为0.001，兼顾收敛速度与稳定性 options = trainingOptions("adam", ... % 使用Adam优化算法，自适应调整各参数学习率 "Shuffle","every-epoch", ... % 每个训练轮开始前打乱训练数据顺序，减弱顺序偏差 "ValidationFrequency",floor(numTrain/miniBatchSize), ... % 指定验证频率，大约每个epoch验证一次 "Plots","training-progress", ... % 开启训练过程可视化窗口，直观查看损失与准确率变化 net = trainNetwork(XTrain,YTrain,layers,options); % 使用trainNetwork函数训练CNN-BiLSTM网络，输出训练好的网络对象 模型评估与混淆矩阵可视化示例 accuracy = mean(YPred == YTest); % 计算预测标签与真实标签相等的比例，作为整体分类准确率 cm = confusionchart(YTest,YPred); % 创建混淆矩阵图表对象，展示各类别间的预测分布及误分类情况 cm.RowSummary = "row-normalized"; % 将行汇总设置为行归一化，显示每个真实类别的预测比例 fig = ancestor(cm,"figure"); % 获取混淆矩阵图表所属的figure对象，用于设置色图 xSeq = XTest{testIdx}; % 提取对应的多变量序列样本矩阵，形状为[特征数×时间步数] trueLabel = YTest(testIdx); % 获取该样本的真实类别标签，便于与预测结果对比 [predLabel,predProbs] = classify(net,{xSeq}); % 调用分类函数对该单个序列进行预测，返回类别及概率 disp(trueLabel); % 输出真实标签，便于在命令行直观比较 disp(predLabel); % 输出预测标签，检查模型对某一具体序列的判断是否正确 plot(xSeq'); % 绘制特征随时间变化的曲线，将矩阵转置使时间为横轴，特征通道为多条曲线 ylabel("Standardized Value"); % 设置纵轴标签为标准化后的特征值，表示各通道已经过归一化 title("Sample Sequence with True and Predicted Label"); % 设置图题，说明图中展示的是真实与预测类别对应的序列 legend("Var1","Var2","Var3","Var4"); % 添加图例，标明四个特征通道对应的曲线名称 load(modelFilename,"net","mu","sigma"); % 从MAT文件中加载网络和标准化参数，恢复训练后状态 newSeq = XTest{1}; % 选取测试集中一个样本序列，用于验证加载后的网络是否可以正常工作 disp(newLabel); % 输出预测结果，确认模型在加载后仍能给出合理分类rng(1); % 固定随机数种子，保证多次运行生成的模拟数据一致，便于结果复现numSamples = 2000; % 设定总样本点数量，用于构造连续多变量时间序列numFeatures = 4; % 设定多变量特征数量，例如温度、压力、电流、振动四个通道t = (0:numSamples-1)'/10; % 构造时间轴向量，采样间隔为0.1，单位可理解为秒data = zeros(numSamples,numFeatures); % 预分配多变量数据矩阵，提升后续赋值效率data(:,1) = 20 + 2*sin(2*pi*0.05*t) + 0.5*randn(numSamples,1); % 第1通道模拟温度信号，包含低频正弦趋势和高斯噪声data(:,2) = 5 + 0.8*sin(2*pi*0.1*t+0.5) + 0.5*randn(numSamples,1); % 第2通道模拟压力信号，频率略高并加入噪声data(:,3) = 10 + 3*square(2*pi*0.02*t) + randn(numSamples,1); % 第3通道模拟电流信号，使用方波体现工况切换特征labels = strings(numSamples,1); % 创建标签字符串数组，用于存放每个时间点对应的状态类别labels(idx1) = "State1"; % 将该时间段标签设为State1，模拟正常工况labels(idx2) = "State2"; % 将该时间段标签设为State2，模拟轻微异常工况idx3 = t >= 80 & t < 120; % 定义第3种状态时间段，时间在80到120之间labels(idx3) = "State3"; % 将该时间段标签设为State3，模拟严重异常工况idx4 = t >= 120; % 定义第4种状态时间段，时间大于等于120labels(idx4) = "State4"; % 将该时间段标签设为State4，模拟恢复或另一种工况windowSize = 50; % 设定时间窗口长度，每个样本包含50个连续时间步stepSize = 10; % 设定滑动窗口步长，相邻样本起点间隔10个时间步numWindows = floor((numSamples-windowSize)/stepSize)+1; % 计算可以滑动得到的样本窗口数量X = cell(numWindows,1); % 使用cell数组存放序列特征，每个单元为一个样本矩阵endIdx = startIdx + windowSize - 1; % 当前窗口结束索引，由起始索引加窗口长度确定seg = data(startIdx:endIdx,:); % 从连续时序数据中截取当前窗口对应的多变量片段X{i} = seg'; % 将窗口片段转置为[特征数×时间步数]的矩阵形式，适配sequenceInputLayerY(i) = categorical(mode(winLabels)); % 使用窗口内出现频率最高的类别作为该样本的整体标签for i = 1:numWindows % 对每个样本进行标准化处理endY = Y(idx); % 同步打乱标签顺序，保持特征与标签对应关系numTrain = floor(0.7*numWindows); % 将70%样本划分为训练集，用于参数学习numVal = floor(0.15*numWindows); % 将15%样本划分为验证集，用于调参与早停XTrain = X(1:numTrain); % 提取训练集特征序列单元YTrain = Y(1:numTrain); % 提取训练集标签XVal = X(numTrain+1:numTrain+numVal); % 提取验证集特征序列单元YTest = Y(numTrain+numVal+1:end); % 提取测试集标签，用于最终评估CNN-BiLSTM网络结构定义示例
numFeatures = size(XTrain{1},1); % 根据训练集首个样本矩阵行数确定特征通道数classes = categories(YTrain); % 从训练集标签中提取所有类别名称，构成类别列表maxPooling2dLayer([2 1],"Stride",[2 1]) % 最大池化层，沿时间维以步长2进行下采样，减半时间步数并增强平移不变性sequenceUnfoldingLayer % 序列展开层，将卷积和池化后特征从伪图像批次形式恢复为序列形式bilstmLayer(numHiddenUnits,OutputMode="last") % 双向长短期记忆层，仅输出最后时间步的隐藏状态，浓缩全局上下文信息dropoutLayer(0.5) % Dropout层，以0.5概率随机失活一半单元，减轻过拟合fullyConnectedLayer(64) % 全连接层，输出维度64，用于进一步特征压缩和非线性组合reluLayer % 再次使用ReLU激活，提升分类边界非线性表达能力训练选项与网络训练示例
miniBatchSize = 64; % 设定小批量大小为64，根据GPU显存与数据规模折中选择maxEpochs = 20; % 最大训练轮数设为20，保证模型有充分时间收敛initialLearnRate = 1e-3; % 初始学习率设为0.001，兼顾收敛速度与稳定性options = trainingOptions("adam", ... % 使用Adam优化算法，自适应调整各参数学习率"Shuffle","every-epoch", ... % 每个训练轮开始前打乱训练数据顺序，减弱顺序偏差"ValidationFrequency",floor(numTrain/miniBatchSize), ... % 指定验证频率，大约每个epoch验证一次"Plots","training-progress", ... % 开启训练过程可视化窗口，直观查看损失与准确率变化net = trainNetwork(XTrain,YTrain,layers,options); % 使用trainNetwork函数训练CNN-BiLSTM网络，输出训练好的网络对象模型评估与混淆矩阵可视化示例
accuracy = mean(YPred == YTest); % 计算预测标签与真实标签相等的比例，作为整体分类准确率cm = confusionchart(YTest,YPred); % 创建混淆矩阵图表对象，展示各类别间的预测分布及误分类情况cm.RowSummary = "row-normalized"; % 将行汇总设置为行归一化，显示每个真实类别的预测比例fig = ancestor(cm,"figure"); % 获取混淆矩阵图表所属的figure对象，用于设置色图xSeq = XTest{testIdx}; % 提取对应的多变量序列样本矩阵，形状为[特征数×时间步数]trueLabel = YTest(testIdx); % 获取该样本的真实类别标签，便于与预测结果对比[predLabel,predProbs] = classify(net,{xSeq}); % 调用分类函数对该单个序列进行预测，返回类别及概率disp(trueLabel); % 输出真实标签，便于在命令行直观比较disp(predLabel); % 输出预测标签，检查模型对某一具体序列的判断是否正确plot(xSeq'); % 绘制特征随时间变化的曲线，将矩阵转置使时间为横轴，特征通道为多条曲线ylabel("Standardized Value"); % 设置纵轴标签为标准化后的特征值，表示各通道已经过归一化title("Sample Sequence with True and Predicted Label"); % 设置图题，说明图中展示的是真实与预测类别对应的序列legend("Var1","Var2","Var3","Var4"); % 添加图例，标明四个特征通道对应的曲线名称load(modelFilename,"net","mu","sigma"); % 从MAT文件中加载网络和标准化参数，恢复训练后状态newSeq = XTest{1}; % 选取测试集中一个样本序列，用于验证加载后的网络是否可以正常工作disp(newLabel); % 输出预测结果，确认模型在加载后仍能给出合理分类
