【问题标题】：Sequence Pattern recognition with PybrainPybrain 的序列模式识别
【发布时间】：2023-03-24 05:17:01
【问题描述】：

我正在尝试使用循环神经网络对一系列连续数据进行分类。更具体地说，我有一个从传感器读取的序列（在时间上是连续的），我需要学习一种算法，查看读数变化的方式可以检测与此模式相关的状态。

例子：

时间步_1：1.4

时间 step_2：1

时间 step_3：0.8

状态 = 步行。新序列：

时间步长1：0.4

时间步长2：0.3

时间步长 3：0.1

状态=坐着

我实际上有 12 个传感器，为方便起见，我只显示一个数字序列。（数字不是真实的，我只是想传达这个想法）！

我正在尝试使用 Pybrain RNN 构建我的网络，但是，我找不到可以检测此类信息的数据集容器。我尝试使用 SequentialData 但经过一些测试后，我发现它学到的是数字序列中的下一个元素。这里是我如何构建我的数据集：

self.alldata = SequentialDataSet(ds.num_features, 1)
# Now add the samples to the data set.
idx = 1 
self.alldata.newSequence()
for sample in ds.all_moves:
  self.alldata.addSample(sample.get_features(), [ds.get_classes().index(sample.class_)])
  idx += 1
  if (idx%6 == 0): #I want every 6 consecutive readings at a time
    pdb.set_trace()
    self.alldata.newSequence()


self.tstdata, self.trndata = self.alldata.splitWithProportion(0.25)

关于如何以不同方式执行此操作的任何想法，Pybrain 是否处理这种分类还是有问题？

【问题讨论】：

标签： python machine-learning neural-network pybrain

【解决方案1】：

解决方案

您可以实施以下策略：

您可能应该有 12 个传感器输入加上一个额外的输入，它代表时间步 t-1 的分类。我通过只显示 4 个输入来简化绘图。

【讨论】：