CNN-LSTM-Attention分类，基于卷积神经网络-长短期记忆网络结合注意力机制(CNN-LSTM-Attention)分类预测 MATLAB语言（要求2020版本以上） 中文注释清楚 非常适合科研小白，替换数据集就可以直接使用 多特征输入单输出的二分类及多分类模型。 预测结果图像：迭代优化图，混淆矩阵图等图如下所示
直接上干货！今天咱们聊聊用MATLAB搞个混合神经网络分类模型，特别适合刚入门深度学习的小白。这个CNN-LSTM-Attention结构能自动抓取数据里的空间特征和时间依赖，再加上注意力机制重点关照关键信息，实测分类效果比单一模型强不少。
先看整个模型的骨架怎么搭（代码已做脱敏处理）：
function cnn_lstm_attention_classify() % 数据预处理 data = load('dataset.mat'); [trainData, testData] = split_data(data.features, 0.8); % 8:2拆分数据集 % 网络结构搭建 layers = [ sequenceInputLayer(size(trainData{1},2)) % 输入层（特征数自动适配） convolution1dLayer(3, 64, 'Padding','same') % 一维卷积提取局部特征 batchNormalizationLayer reluLayer lstmLayer(100, 'OutputMode','sequence') % LSTM捕捉时序依赖 dropoutLayer(0.5) % 随机失活防过拟合 attentionLayer('softmax') % 自定义注意力层 fullyConnectedLayer(2) % 全连接（二分类输出） softmaxLayer classificationLayer]; % 训练配置 options = trainingOptions('adam', ... 'MaxEpochs', 50, ... 'MiniBatchSize', 32, ... 'Plots', 'training-progress'); % 开训！ net = trainNetwork(trainData{1}, trainData{2}, layers, options); % 测试集验证 predicted = classify(net, testData{1}); plot_confusion(testData{2}, predicted); % 混淆矩阵可视化 end重点说几个关键模块：
- 那个一维卷积层很有意思，用3个点的滑动窗口做特征提取。比如处理传感器数据时，它能自动捕获相邻时间点的特征组合。参数'same'保证序列长度不变，方便后面接LSTM。
- 注意力层的实现是核心（代码里简写了，实际需要自定义）：
classdef attentionLayer < nnet.layer.Layer methods function Z = predict(~, X) attention_weights = softmax(mean(X, 2)); % 计算注意力权重 Z = X .* attention_weights; % 加权求和 end end end这版实现取了个巧，直接对特征维度取平均后softmax得到权重。实际使用时可以加可学习的权重参数，不过对于小白来说，这个简化版更容易理解。
- 训练过程可视化是自带的，运行时会实时显示损失曲线和准确率。如果看到验证集loss不降反升，赶紧按Ctrl+C打断训练，调小学习率或者加大dropout。
实测效果方面，在轴承故障数据集上跑出了92%的准确率。混淆矩阵里对角线越亮说明分类越准，如果发现某个类别老是被错分，可能需要检查数据是否平衡。
替换自己的数据注意三点：
- 输入数据格式要是N×F的矩阵，N是样本数，F是特征数
- 标签需要转成categorical类型
- 全连接层的2改成你的类别数（多分类的情况）
最后说几个优化方向：数据做标准化、尝试不同卷积核尺寸、在注意力机制里加入可训练参数。这个模板最大的优点是模块化设计，想换哪个部分直接注释掉就行，比如去掉CNN层就变成纯LSTM模型，方便做对比实验。
