MATLAB LSTM多输入单输出分类源码解析与实战

简介：该资源面向需要掌握时序数据分类的MATLAB用户与机器学习初学者，提供基于长短期记忆神经网络的多输入单输出分类预测方案，可解决多特征输入下的二分类及多分类建模问题，适用于信号识别、故障诊断、行为判别等场景。压缩包共9个文件，约1.88MB，包含3个m脚本文件分别承担主程序、初始化与评估指标计算，1个xlsx数据集、1个说明文档及4张png结果图，结构紧凑、开箱即用。程序内注释详细，替换数据即可运行，并可直接输出分类效果图、迭代优化图与混淆矩阵图，便于观察训练收敛过程与各类别识别精度。目前已有207人学习下载，适合希望快速搭建LSTM分类基线、理解时序建模流程并对照图表调参的读者参考使用。

1. 从一份 MATLAB 源码包说起：LSTM 多输入单输出分类到底怎么落地

你手头如果有一批带标签的多维数据，想按类别分开，又不想自己从零搭网络，那这份 MATLAB 的 LSTM 分类源码包值得看一眼。它解决的是典型的「多特征输入、单标签输出」问题——输入可以是温度、压力、振动、电流等任意多个特征列，输出是二分类或多分类的类别标签。包里带了main.m、initialization.m、fical.m三个脚本，一份数据集.xlsx，还有几张效果图，结构很直白：初始化参数、加载数据、训练 LSTM、画混淆矩阵和迭代曲线。适合做设备故障分类、工况识别、信号分选这类任务的从业者，也适合刚接触 LSTM 分类、想先跑通再改数据的新手。下面按「这是什么 → 怎么跑 → 坑在哪 → 怎么调」的顺序拆一遍。

2. 拆开源码包：LSTM 分类的四个核心文件与数据流

2.1 文件分工与调用关系

拿到包先别急着点运行，把文件角色理清楚能省很多事。main.m是主入口，负责串起整个流程；initialization.m管参数初始化，网络层数、学习率、迭代次数、批大小这些都在这里；fical.m是辅助函数，通常用来做数据归一化、标签编码或者结果可视化；数据集.xlsx是原始数据，一般最后一列是类别标签，前面若干列是特征。调用顺序是main.m先调initialization.m拿参数，再读 Excel，然后调fical.m做预处理，最后建网络、训练、出图。

常见做法是：main.m里用readtable或xlsread读数据，把特征矩阵和标签向量分开，标签做 categorical 转换，然后按比例划分训练集和测试集。这一步看着简单，但划分方式直接决定后面混淆矩阵好不好看，后面避坑章节会细说。

2.2 多输入单输出的数据组织方式

LSTM 在 MATLAB 里做分类，输入格式和普通神经网络不一样。它要求输入是序列形式，哪怕你每个样本只有一个时间步，也要组织成numFeatures × 1 × numSamples的格式，标签是numSamples × 1的 categorical。很多人第一次跑报错「维度不匹配」，就是卡在这里。

% 读取数据，假设最后一列是标签 data = readtable('数据集.xlsx'); X = table2array(data(:, 1:end-1)); % 特征矩阵，numSamples × numFeatures Y = data{:, end}; % 标签列 % 标签转 categorical Y = categorical(Y); % 转成 LSTM 需要的序列格式：numFeatures × 1 × numSamples numFeatures = size(X, 2); numSamples = size(X, 1); XSeq = cell(numSamples, 1); for i = 1:numSamples XSeq{i} = X(i, :)'; % 每个样本转成 numFeatures × 1 end

这段代码的逻辑是：先把 Excel 拆成特征和标签两部分，再把每个样本单独装进一个 cell，每个 cell 里是列向量。参数上，numFeatures决定输入层大小，numSamples决定样本总数。如果你的数据本身是时间序列（比如每个样本有多个时间步），那 cell 里应该是numFeatures × timeSteps的矩阵，而不是单列。这一点在改数据时最容易翻车，因为 Excel 里看不出时间步维度，得自己心里有数。

2.3 网络结构与训练参数

initialization.m里一般会定义这几样：输入维度、隐藏单元数、输出类别数、最大迭代轮数、初始学习率、批大小。隐藏单元数常见取值 64 到 256，类别少可以小一点，特征复杂就往上加。学习率初始 0.01 或 0.001，配合分段下降。批大小 16 到 64 都行，样本少就取小。

% initialization.m 典型参数 inputSize = numFeatures; numHidden = 128; numClasses = numel(categories(Y)); maxEpochs = 60; miniBatch = 32; learnRate = 0.01;

这些参数不是拍脑袋定的。numHidden太小，模型欠拟合，训练集准确率都上不去；太大，样本少的时候直接过拟合，测试集一塌糊涂。maxEpochs配合验证集早停用，别硬跑满。miniBatch影响梯度稳定性，样本量小于 500 时建议 16 或 32。

2.4 训练与出图

主流程最后是建sequenceInputLayer、lstmLayer、fullyConnectedLayer、softmaxLayer、classificationLayer，然后用trainNetwork训练，再用classify预测，最后confusionchart画混淆矩阵，plot画迭代曲线。

layers = [ ... sequenceInputLayer(inputSize) lstmLayer(numHidden, 'OutputMode', 'last') fullyConnectedLayer(numClasses) softmaxLayer classificationLayer]; options = trainingOptions('adam', ... 'MaxEpochs', maxEpochs, ... 'MiniBatchSize', miniBatch, ... 'InitialLearnRate', learnRate, ... 'ValidationData', {XVal, YVal}, ... 'Plots', 'training-progress', ... 'Verbose', false); net = trainNetwork(XTrain, YTrain, layers, options); YPred = classify(net, XTest); confusionchart(YTest, YPred);

OutputMode设成last表示只取最后一个时间步的输出做分类，这是单输出分类的标准做法。如果设成sequence，输出就是每个时间步一个结果，适合序列标注，不适合这里。ValidationData一定要给，否则迭代曲线好看但测试集崩了都不知道。

3. 替换自己的数据：从 Excel 到混淆矩阵的完整操作

3.1 数据格式对齐的三个检查点

换数据之前，先确认三件事。第一，特征列是否全为数值型，有没有混进文本列或者空值；第二，标签列是否在最后一列，类别名是否统一（比如「正常」和「正常 」带空格会被当成两类）；第三，样本量是否够，每类至少几十条，否则混淆矩阵全是 0 和 1，没有统计意义。

常见做法是先用summary(data)看一眼每列类型和缺失情况，再用ismissing定位空值。有缺失就补均值或中位数，别直接删行，样本本来就少。

summary(data); idxNaN = find(any(ismissing(data), 2)); if ~isempty(idxNaN) data = fillmissing(data, 'constant', 0); % 或 'previous'、'mean' end

fillmissing的第二个参数决定填充策略，'constant'补 0，'previous'用前值，'mean'用均值。分类任务里补 0 要小心，如果 0 本身有物理意义，会引入偏差，建议用均值或中位数。

3.2 划分训练集与测试集的比例选择

样本量小于 500 时，常见做法是 70% 训练、15% 验证、15% 测试；样本量上千，可以 80/10/10。划分要用随机打乱，但别用randperm之后忘了固定随机种子，否则每次跑结果都不一样，调参时根本分不清是参数起作用还是划分变了。

rng(42); % 固定随机种子，保证可复现 n = size(XSeq, 1); idx = randperm(n); nTrain = round(0.7 * n); nVal = round(0.15 * n); XTrain = XSeq(idx(1:nTrain)); YTrain = Y(idx(1:nTrain)); XVal = XSeq(idx(nTrain+1:nTrain+nVal)); YVal = Y(idx(nTrain+1:nTrain+nVal)); XTest = XSeq(idx(nTrain+nVal+1:end)); YTest = Y(idx(nTrain+nVal+1:end));

rng(42)是固定种子，数字随便取，但一旦定了就别改，这样每次跑的数据划分一致，调参才有对比意义。randperm打乱索引，再按比例切分，比cvpartition更直观，也方便你手动检查每类样本是否均衡。

3.3 训练参数调整与迭代曲线判读

迭代曲线看两个东西：训练损失和验证损失。两条都下降且贴近，说明正常；训练损失降、验证损失先降后升，说明过拟合，要减隐藏单元、加 dropout 或早停；两条都平着不降，说明学习率太小或模型容量不够。

options = trainingOptions('adam', ... 'MaxEpochs', 80, ... 'MiniBatchSize', 32, ... 'InitialLearnRate', 0.005, ... 'LearnRateSchedule', 'piecewise', ... 'LearnRateDropPeriod', 20, ... 'LearnRateDropFactor', 0.5, ... 'ValidationData', {XVal, YVal}, ... 'ValidationFrequency', 10, ... 'ValidationPatience', 8, ... 'Plots', 'training-progress');

LearnRateSchedule设成分段下降，每 20 轮乘 0.5，能让后期收敛更稳。ValidationPatience设 8，意思是验证损失连续 8 次不降就停，省时间也防过拟合。ValidationFrequency设 10，每 10 轮验证一次，太频繁浪费时间，太稀疏看不出趋势。

3.4 混淆矩阵与分类效果图解读

混淆矩阵对角线是正确分类，非对角线是错分。看的时候别只看总体准确率，要看每一类的召回率和精确率。如果某一类召回率特别低，说明这类样本被大量错分到其他类，可能是特征区分度不够，也可能是这类样本太少。

figure; confusionchart(YTest, YPred, ... 'Title', 'LSTM分类混淆矩阵', ... 'RowSummary', 'row-normalized', ... 'ColumnSummary', 'column-normalized');

RowSummary和ColumnSummary分别显示行归一化和列归一化，行归一化看召回率，列归一化看精确率。两个都开，一眼就能定位问题类别。如果某类召回率低于 0.6，先别急着调网络，回去看这类样本的特征分布是不是和其他类重叠严重。

4. 避坑与排查：LSTM 分类里最容易翻车的五个地方

4.1 报错「Invalid training data. The output size of the last layer must match the number of classes」

现象：运行trainNetwork直接报维度不匹配。原因：标签 categorical 的类别数和fullyConnectedLayer的输出数不一致，常见于标签列里混入了空值或多余类别。解决：先categories(Y)看实际类别数，再把这个数传给fullyConnectedLayer，别手写死数字。

4.2 训练准确率很高但测试集一塌糊涂

现象：迭代曲线训练损失降到 0.01，验证损失还在 0.5 以上。原因：过拟合，样本少、隐藏单元多、没加正则。解决：减numHidden到 64 或 32，加dropoutLayer(0.3)在 lstmLayer 后面，或者把L2Regularization设成 0.001。

4.3 混淆矩阵某一类全是 0

现象：测试集里某类样本一个都没分对。原因：这类样本在训练集里太少，或者划分时全被分到测试集。解决：检查每类样本数，用分层划分cvpartition(Y, 'HoldOut', 0.3, 'Stratify', true)保证训练测试里每类都有。

4.4 每次运行结果都不一样

现象：同样的代码，跑三次三个准确率。原因：没固定随机种子，数据划分和权重初始化都随机。解决：在main.m开头加rng(42)，并且确保trainNetwork之前没有其他随机操作。

4.5 Excel 读取后特征列顺序错乱

现象：明明改的是同一份数据，结果和上次差很多。原因：readtable默认把第一行当变量名，如果 Excel 里有合并单元格或空行，列顺序会错。解决：用readmatrix代替readtable，或者先手动清理 Excel，确保第一行是纯变量名、没有空行。

5. 进阶技巧：把 LSTM 分类从「能跑」推到「能用」

5.1 特征归一化与标准化

LSTM 对输入尺度敏感，特征量纲差太多时，梯度会被大量级特征主导。常见做法是训练集算均值和标准差，然后应用到验证集和测试集，别对整个数据集算，否则测试集信息泄漏。

mu = mean(XTrainRaw, 1); sigma = std(XTrainRaw, 0, 1); sigma(sigma == 0) = 1; % 防止除零 XTrainNorm = (XTrainRaw - mu) ./ sigma; XValNorm = (XValRaw - mu) ./ sigma; XTestNorm = (XTestRaw - mu) ./ sigma;

mu和sigma只从训练集算，这是铁律。sigma为 0 的列说明该特征在所有样本里取值相同，对分类没贡献，置 1 避免除零，也可以直接删掉这列。

5.2 双向 LSTM 与多层堆叠

单向 LSTM 只看历史信息，双向 LSTM 同时看前后文，对某些信号分类任务效果更好。MATLAB 里用bilstmLayer替代lstmLayer即可。多层堆叠时，第一层OutputMode设sequence，最后一层设last。

layers = [ ... sequenceInputLayer(inputSize) bilstmLayer(128, 'OutputMode', 'sequence') dropoutLayer(0.3) bilstmLayer(64, 'OutputMode', 'last') fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];

双向 LSTM 参数量翻倍，样本少时容易过拟合，建议配合 dropout 和早停。两层堆叠时，第一层输出序列给第二层，第二层只取最后一步，这样既有层次特征又不会维度爆炸。

5.3 用交叉验证替代单次划分

样本量小于 300 时，单次划分的测试结果波动很大，今天 85% 明天 78%。用 5 折交叉验证能给出更稳的估计。

cv = cvpartition(Y, 'KFold', 5, 'Stratify', true); acc = zeros(5, 1); for k = 1:5 idxTrain = training(cv, k); idxTest = test(cv, k); net = trainNetwork(XSeq(idxTrain), Y(idxTrain), layers, options); YPred = classify(net, XSeq(idxTest)); acc(k) = mean(YPred == Y(idxTest)); end fprintf('5折平均准确率：%.2f%%\n', mean(acc) * 100);

Stratify设 true 保证每折里各类样本比例一致。5 折跑完取平均，比单次划分靠谱得多。代价是训练时间乘 5，样本少的时候值得。

5.4 一个我踩过的坑

有次换了一份新数据，特征列从 6 列变成 12 列，我改了inputSize但忘了改initialization.m里的numFeatures，结果main.m里读的是新数据，网络建的还是旧维度，报错信息又指向trainNetwork，查了半天才发现是初始化脚本没同步。从那以后我每次换数据都强制走一遍「列数 → inputSize → numFeatures → 网络输入层」这条链，确认三处一致再跑。希望帮到你。

本文还有配套的精品资源，点击获取