LSTM基于传感器数据输入多分类输出代码

LSTM（Long Short-Term Memory）是一种递归神经网络结构，特别适合处理序列数据，比如时间序列预测和文本分析。在基于传感器数据的多分类问题中，你可以使用LSTM来捕捉数据中的长期依赖关系。以下是一个简单的Python示例，使用Keras库来构建一个基本的LSTM模型：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, LSTM

# 假设你已经有了预处理过的传感器数据X (形状如(batch_size, time_steps, num_features)) 和对应的标签y (形状如(batch_size, num_classes))
# 先对数据进行分隔，例如80%训练集，20%测试集
(X_train, X_test), (y_train, y_test) = train_test_split(X, y, test_size=0.2)

# 创建LSTM模型
model = Sequential()
model.add(LSTM(64, input_shape=(None, X.shape[2])))  # 隐藏层节点数，输入数据的时间步数作为第一维
model.add(Dense(32, activation='relu'))  # 全连接层，用于进一步处理LSTM输出
model.add(Dense(num_classes, activation='softmax'))  # 输出层，num_classes是分类数目，使用softmax激活处理多分类

# 编译模型，指定损失函数、优化器和评价指标
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
history = model.fit(X_train, y_train, epochs=50, validation_data=(X_test, y_test))

# 评估模型性能
score = model.evaluate(X_test, y_test)
print('Test accuracy:', score[1])