matlab 时间序列分类

### MATLAB 中的时间序列分类方法

#### 使用 TCN 进行时间序列分类
时间卷积神经网络 (TCN) 是一种用于处理时序数据的有效工具。通过适当的设计，可以构建一个强大的模型来完成时间序列分类任务[^1]。

% 定义 TCN 层参数
numFilters = 64;
kernelSize = 2;
dilations = [1, 2, 4];
dropoutFactor = 0.2;

layers = [
    sequenceInputLayer(inputSize)
    tcnLayer(numFilters, kernelSize, 'DilationFactors', dilations, ...
        'PaddingMode', 'causal')
    dropoutLayer(dropoutFactor)
    fullyConnectedLayer(numClasses)
    softmaxLayer
    classificationLayer];

options = trainingOptions('adam', ...
    'MaxEpochs', 30, ...
    'MiniBatchSize', 128, ...
    'InitialLearnRate', 0.01, ...
    'GradientThreshold', 1, ...
    'Verbose', false, ...
    'Plots', 'training-progress');
    
net = trainNetwork(XTrain, YTrain, layers, options);

#### 利用 LSTM 实现时间序列分类
长期短期记忆网络（LSTM）是一种特殊的循环神经网络结构，在捕捉长时间依赖方面表现出色。对于时间序列分类问题来说，LSTM 能够很好地学习到输入特征之间的关系并做出准确预测[^2]。

inputSize = 1; % 输入维度大小取决于具体应用场景
numHiddenUnits = 100;
numClasses = numel(categories(YTrain));

layers = [
    sequenceInputLayer(inputSize)
    lstmLayer(numHiddenUnits,'OutputMode','last') 
    fullyConnectedLayer(numClasses)
    softmaxLayer
    classificationLayer];

options = trainingOptions('adam',...
    'MaxEpochs',100,...
    'MiniBatchSize',27,...
    'InitialLearnRate',0.01,...
    'ValidationData',{XVal,YVal},...
    'ValidationFrequency',30,...
    'Verbose',false,...
    'Plots','training-progress');

net = trainNetwork(XTrain,YTrain,layers,options);

为了准备适合于 LSTM 的训练样本，通常会将原始时间序列转换成特定长度的历史窗口形式。例如，如果 timestep 设置为 `k` ，那么每 k 个连续观测值会被用来预测下一个时刻的结果[^3]。

#### 数据预处理与划分
在实际应用中，还需要注意对原始数据进行标准化或其他必要的变换操作，并合理地划分为训练集、验证集以及测试集以便评估模型性能。