探索CNN - BILSTM - Attention多特征分类预测：Matlab实现与分析

qAICHjag

259人浏览 · 2026-03-18 16:00:00

qAICHjag · 2026-03-18 16:00:00 发布

CNN-BILSTM-Attention基于卷积神经网络-双向长短期记忆神经网络-空间注意力机制CNN-BILSTM-SAM-Attention多特征分类预测。多特征输入单输出的二分类及多分类模型。程序内注释详细替换数据就可以用。程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。多边形面积PAM，分类准确率，灵敏度，特异性，曲线下面积AUC，Kappa系数，F_measure。

在机器学习与深度学习领域，多特征分类预测一直是研究的热点。今天咱们来聊聊基于CNN - BILSTM - Attention以及CNN - BILSTM - SAM - Attention的多特征分类预测模型，并且用Matlab实现它，看看效果如何。

多特征输入单输出的二分类及多分类模型

这类模型旨在通过多个不同特征作为输入，预测出单个输出结果，无论是二分类（比如判断邮件是否为垃圾邮件）还是多分类（比如识别手写数字0 - 9）。CNN（卷积神经网络）擅长捕捉数据的局部特征，对于图像、语音等数据有很好的处理效果。BILSTM（双向长短期记忆神经网络）则能处理序列中的长期依赖关系，在处理时间序列数据时表现出色。而Attention机制（注意力机制）可以让模型更加关注数据中重要的部分，提高模型性能。

Matlab实现与代码分析

数据准备

% 假设数据存储在一个.mat文件中，包含特征矩阵X和标签向量Y
load('data.mat'); 
% 划分训练集和测试集
cv = cvpartition(Y,'HoldOut',0.3); 
idxTrain = training(cv); 
idxTest = test(cv); 
X_train = X(idxTrain,:); 
Y_train = Y(idxTrain); 
X_test = X(idxTest,:); 
Y_test = Y(idxTest);

这段代码很直接，先加载数据文件，然后利用cvpartition函数将数据按照70%训练集，30%测试集的比例划分。training和test函数分别获取训练集和测试集的索引，进而提取出对应的特征和标签。

构建CNN - BILSTM - Attention模型

inputSize = size(X_train,2); 
numClasses = numel(unique(Y_train)); 

layers = [...
    sequenceInputLayer(inputSize) 
    bilstmLayer(100,'OutputMode','last') 
    fullyConnectedLayer(numClasses) 
    softmaxLayer 
    classificationLayer]; 

options = trainingOptions('adam',...
    'MaxEpochs',50,...
    'InitialLearnRate',0.001,...
    'Plots','training-progress'); 

net = trainNetwork(X_train,Y_train,layers,options);

这里首先确定输入数据的维度inputSize和类别数量numClasses。然后构建网络层，sequenceInputLayer作为序列输入层，bilstmLayer定义了双向LSTM层，设置隐藏单元为100，并且只取最后一个时间步的输出。接着是全连接层fullyConnectedLayer，连接到类别数量的神经元，softmaxLayer进行概率归一化，最后classificationLayer用于计算分类损失。trainingOptions设置了训练的优化器为adam，最大训练轮数为50，初始学习率为0.001，并且开启训练过程绘图功能。最后使用trainNetwork函数训练网络。

模型评估与绘图

Y_pred = classify(net,X_test); 

% 计算评估指标
accuracy = sum(Y_pred == Y_test)/numel(Y_test); 
confMat = confusionmat(Y_test,Y_pred); 
sensitivity = confMat(1,1)/(confMat(1,1)+confMat(2,1)); 
specificity = confMat(2,2)/(confMat(2,2)+confMat(1,2)); 
[X,Y,T,AUC] = perfcurve(Y_test,[net(X_test{:})(:,1)],1); 
kappa = kappa2([Y_test(:),Y_pred(:)]); 
F_measure = 2 * (sensitivity * (1 - specificity)) / (sensitivity+(1 - specificity)); 

% 绘图
figure; 
subplot(2,2,1); 
plotconfusion(Y_test,Y_pred); 
title('混淆矩阵图'); 

subplot(2,2,2); 
plotroc(Y_test,[net(X_test{:})(:,1)]); 
title('ROC曲线（AUC = '+num2str(AUC)+')'); 

subplot(2,2,3); 
plot(X,Y); 
title('分类效果图'); 

subplot(2,2,4); 
plot(net.TrainingHistory.Loss); 
title('迭代优化图');

classify函数对测试集进行预测。然后计算分类准确率accuracy、混淆矩阵confMat，并基于混淆矩阵计算灵敏度sensitivity、特异性specificity。perfcurve函数计算ROC曲线的相关参数，包括曲线下面积AUC。kappa2函数计算Kappa系数，最后计算F - measure。接下来通过Matlab的绘图函数绘制混淆矩阵图、ROC曲线、分类效果图以及迭代优化图，直观展示模型性能。