使LSTM从3个变量的相关性中学习

Question

我有3个变量x，y，z的数据集。它们是3种不同传感器的读数。这些将作为输入。

当这些传感器找到特定对象时，其读数的相应输出应为1。否则，那里的读数的相应输出应为0。

这是他们找到对象时的示例

这是当他们找不到对象的例子

我要做的是制作一个神经网络（可能是LSTM）或任何其他方法来接收传感器的读数，并告诉传感器是否在寻找对象。请注意，传感器输出的值通常与图中的值不同，但是我注意到的是读数与它们之间的距离之间的相关性。

最好的实现方法是什么？

Answer 1

“最好的”模型是“艺术”。您必须进行测试，直到找到适合自己数据的数据为止。

但基本上，您将获得带有shape的输入(examples, time_steps, features)，其中：

• examples =任何值，越多越好
• time_steps =每个示例的长度（读数数）
• features = 3。

然后，您将创建一个以以下内容开头的模型：

inputs = Input((None, 3)) #variable time_steps, 3 features   

您可能会受益于使用这些值的归一化，可能与批处理归一化层配合使用：

outputs = BatchNormalization()(inputs)
outputs = Activation('tanh')(outputs)

然后启动模型的LSTM部分（层数取决于您的测试）

#any number of layers similar to this (this can also be 0)
outputs = LSTM(units, return_sequences=True, activation='tanh')(outputs)

#the last LSTM layer
outputs = LSTM(units, return_sequences=False, activation='tanh')(outputs)

您可能会或可能不会添加额外的分类层，例如：

#any number of classification layers, including 0
outputs = Dense(units)(outputs)
outputs = BatchNormalization()(outputs)
outputs = Activation('relu')(outputs)

#last classification:
outputs = Dense(1)(outputs)
outputs = BatchNormalization()(outputs)
outputs = Activatoin('sigmoid')(outputs)

最后，加入所有内容：

model = Model(intpus, outputs)

请注意，这只是模型的一个示例。这可能会有所不同（包括分支，池，注意机制等，但是您的问题似乎很简单）。

这里的重要部分是：

• 了解输入形状
• 请理解，在上一个LSTM中，您将丢弃“ time_steps”维度。
  • 现在您的问题是2D- (examples, units_or_features)
• 请注意，您的最后一层必须只有一个单位。（因此，每个示例可以返回一个结果）
  • 您的输出数据还必须匹配以下形状： (examples, 1)
• 了解最后一次激活应该是“ Sigmoid”，因此结果在0到1之间。