循环神经网络(RNN)简单介绍及实现(基于表面肌电信号)

循环神经网络（RNN）

文章目录

循环神经网络（RNN）
- 一.介绍
- 二.python实现(LSTM)
- 三.总结

一.介绍

以序列数据为输入，在序列的演进方向进行递归且所有节点（循环单元）按链式连接的递归神经网络。

循环神经网络具有记忆性、参数共享并且图灵完备。
逐渐演变的有：双向循环神经网络（Bi-RNN）
长短期记忆网络（LSTM）
门控循环单元网络（GRU）

循环卷积神经网络（RCNN）：卷积层替换为内部具有递归结构的循环卷积层。

RNN常用的激励函数：logistic函数，双曲正切函数
输出函数：归一化指数函数

长短期记忆网络有输入门、遗忘门和输出门;
门控循环单元网络的复位门对应LSTM的输入门，更新门对应LSTM的遗忘门和输出门。

二.python实现(LSTM)

使用长短期记忆网络对肌电信号进行分类：

from keras.models import Sequential
from keras.layers import *import numpy as np
import pandas as pd
import tensorflow as tf
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt# 数据集
raw_data = pd.read_csv('1_raw_data_13-12_22.03.16.txt',sep='\t',header=0)  # 读取csv数据，并将第一行视为表头，返回DataFrame类型
data = raw_data.valuestimes=data[::,0]
features_data = raw_data[['channel1', 'channel5']]
features = features_data.valueslabels = data[::,-1]    # 最后一列为特征值#选取33%数据作为测试集，剩余为训练集
train_features, test_features, train_labels, test_labels = train_test_split(features, labels, test_size=0.33, random_state=0)x_train = np.array(train_features)
x_test = np.array(test_features)
y_train = np.array(train_labels)
y_test = np.array(test_labels)# Seque构建方式（推荐）
class SequeClassifier():def __init__(self, units):self.units = unitsself.model = None# 构建神经网络模型：（根据各层输入输出的shape）搭建网络结构、确定损失函数、确定优化器def build_model(self, loss, optimizer, metrics):self.model = Sequential()self.model.add(LSTM(self.units, return_sequences=True,activation='tanh'))self.model.add(LSTM(self.units))self.model.add(Dense(8, activation='softmax'))  # 最后一层全连接层。对于N分类问题，最后一层全连接输出个数为N个，这里数据集为8分类问题；self.model.compile(loss=loss,optimizer=optimizer,metrics=metrics)if __name__ == "__main__":# 1 获取训练数据集，并调整为三维输入格式x_train = x_train[:, :, np.newaxis]x_test = x_test[:, :, np.newaxis]# 2 构建神经网络模型：（根据各层输入输出的shape）搭建网络结构、确定损失函数、确定优化器units = 128  # lstm细胞个数loss = "sparse_categorical_crossentropy"  # 损失函数类型optimizer = "adam"  # 优化器类型metrics = ['accuracy']  # 评估方法类型sclstm = SequeClassifier(units)sclstm.build_model(loss, optimizer, metrics)# 3 训练模型epochs = 10batch_size = 64history = sclstm.model.fit(x_train, y_train, epochs=epochs, batch_size=batch_size)# 4 模型评估score = sclstm.model.evaluate(x_test, y_test, batch_size=16)print("model score:", score)

三.总结

本文中所使用的分类算法为循环神经网络演变的长短期记忆网络，激励函数为双曲正切函数，损失函数为交叉熵函数，数据集中的肌电信号共有8个通道，8类动作，通过对通道1和通道5进行分析，得到整体的准确率为65%。后面会继续对该算法进行改进，提高分类精度。
介绍RNN部分较少，主要是使用该网络对表面肌电信号进行分类实现的。如果大家有什么更好的想法的话，可以留言哦✌️✌️
后面会继续更新相关分类算法，请大家持续关注

循环神经网络(RNN)简单介绍及实现(基于表面肌电信号)相关推荐

基于表面肌电信号的手势识别——深度学习方法
文章目录基于表面肌电信号的手势识别--深度学习方法 1.方法和代码 2.数据下载基于表面肌电信号的手势识别--深度学习方法 1.方法和代码 https://github.com/malele4th ...
循环神经网络(RNN, Recurrent Neural Networks)介绍
循环神经网络(RNN, Recurrent Neural Networks)介绍循环神经网络(Recurrent Neural Networks,RNNs)已经在众多自然语言处理(Natural ...
python输出一首诗_基于循环神经网络(RNN)的古诗生成器
基于循环神经网络(RNN)的古诗生成器,具体内容如下之前在手机百度上看到有个"为你写诗"功能,能够随机生成古诗,当时感觉很酷炫= = 在学习了深度学习后,了解了一下原理,打算自己 ...
TensorFlow练手项目二：基于循环神经网络(RNN)的古诗生成器
基于循环神经网络(RNN)的古诗生成器 2019.01.02更新: 代码比较老了,当时的开发环境为Python 2.7 + TensorFlow 1.4,现在可能无法直接运行了.如果有兴趣,可以移步我 ...
循环神经网络(RNN)相关知识
文章目录 RNN概述前向传播公式通过时间反向传播(BPTT) RNN确定序列长度方式其他RNN结构基于RNN的应用 1,序列数据的分析 2,序列数据的转换 3,序列数据的生成 RNN的不足 1 ...
Tensorflow与keras学习 (3)——循环神经网络RNN
循环神经网络RNN 3.1 RNN与LSTM介绍: 循环神经网络中的神经单元类似于模拟数字电路技术中的门电路,具有很多控制门来控制输入输出. RNN结构: LSTM结构: 相比与传统的神经网络,RNN ...
dive into deep learning 循环神经网络 RNN 部分学习
dive into deep learning 循环神经网络 RNN 部分学习到目前为止,我们遇到过两种类型的数据:表格数据和图像数据. 对于图像数据,我们设计了专门的卷积神经网络架构来为这类特殊 ...
Deep Learning × ECG (5) ：利用循环神经网络RNN对心律失常ECG数据进行分类
文章目录 1. RNN 介绍 2. 搭建RNN模型进行训练 1. RNN 介绍循环神经网络RNN的提出主要针对于时间序列数据. 类似于股票.心律失常 ECG 和电力数据等数据都是属于时间序列数据 ...
循环神经网络(RNN)知识入门
循环神经网络(RNN)知识入门原创:方云一. RNN的发展历史 1986年,Elman等人提出了用于处理序列数据的循环神经网络(Recurrent Neural Networks).如同卷积神经网 ...