Данные последовательности панелей готовы к обучению.

Загрузите данные последовательности.

s = japaneseVowelsTrainData;

Предварительно обработанные данные содержат 270 наблюдений каждый с 12 функциями последовательности. Длина наблюдений варьируется от 7 до 26 временных шагов.

Дополните данные нулями до длины самой длинной последовательности. Функция применяется к правой части данных. Задайте размерность, содержащую временные шаги в качестве размерности заполнения. В данном примере размерность 2.

sPad = padsequences(s,2);

Исследуйте размер заполненных последовательностей.

size(sPad)

ans = 1×3

    12    26   270

Использование padsequences расширить или разрезать каждую последовательность до фиксированной длины путем добавления или удаления данных на обоих концах последовательности в зависимости от длины исходной последовательности.

Загрузите данные последовательности.

s = japaneseVowelsTrainData;

Предварительно обработанные данные содержат 270 наблюдений каждый с 12 функциями последовательности. Длина наблюдений варьируется от 7 до 26 временных шагов.

Обработайте данные так, чтобы каждая последовательность была в точности 14 временных шагов. Для более коротких последовательностей требуется заполнение, в то время как более длинные последовательности должны быть усечены. Дополните или обрезайте с обеих сторон данных. Для заполненных последовательностей примените симметричное заполнение так, чтобы заполненные значения были зеркальными отражениями исходных значений последовательности.

[sPad,mask] = padsequences(s,2,'Length',14,'Direction','both','PaddingValue','symmetric');

Сравните некоторые заполненные последовательности с исходной последовательностью. Каждое наблюдение содержит 12 функции, поэтому извлеките одну функцию для сравнения.

Извлеките первую функцию 74-го наблюдения. Эта последовательность короче 14 временных шагов.

s{74}(1,:)

ans = 1×9

    0.6691    0.5291    0.3820    0.3107    0.2546    0.1942    0.0931   -0.0179   -0.1081

sPad(1,:,74)

ans = 1×14

    0.5291    0.6691    0.6691    0.5291    0.3820    0.3107    0.2546    0.1942    0.0931   -0.0179   -0.1081   -0.1081   -0.0179    0.0931

mask(1,:,74)

ans = 1×14 logical array

   0   0   1   1   1   1   1   1   1   1   1   0   0   0

Функция центрирует последовательность и вкладки в обоих концах, отражая значения в концах последовательности. Маска показывает расположение исходных значений последовательности.

Извлеките первую функцию 28-го наблюдения. Эта последовательность длиннее 14 временных шагов.

s{28}(1,:)

ans = 1×16

    1.1178    1.0772    1.2365    1.4858    1.6191    1.4893    1.2791    1.4692    1.5592    1.5112    1.5144    1.5871    1.4848    1.2978    1.1336    1.0280

sPad(1,:,28)

ans = 1×14

    1.0772    1.2365    1.4858    1.6191    1.4893    1.2791    1.4692    1.5592    1.5112    1.5144    1.5871    1.4848    1.2978    1.1336

mask(1,:,28)

ans = 1×14 logical array

   1   1   1   1   1   1   1   1   1   1   1   1   1   1

Функция центрирует последовательность и обрезает на обоих концах. Маска показывает, что все данные в полученной последовательности являются частью исходной последовательности.

Используйте padsequences функция в сочетании с minibatchqueue для подготовки и предварительной обработки данных последовательности, готовых к обучению, с помощью пользовательского цикла обучения.

В примере используются обучающие данные о распознавании активности. Данные содержат шесть временных рядов данных о датчике, полученных с носимого на корпусе смартфона. Каждая последовательность имеет три функции и изменяется в длине. Три функции соответствуют показаниям акселерометра в трех разных направлениях.

Загрузите обучающие данные. Объедините данные и метки в один datastore.

s = load("HumanActivityTrain.mat");

dsXTrain = arrayDatastore(s.XTrain,'OutputType','same');
dsYTrain = arrayDatastore(s.YTrain,'OutputType','same');

dsTrain = combine(dsXTrain,dsYTrain);

Использование minibatchqueue для обработки мини-пакетов данных последовательности. Задайте пользовательскую функцию мини-пакетной предварительной обработки preprocessMiniBatch (определено в конце этого примера), чтобы заполнить данные последовательности и метки, и с одним горячим кодированием последовательности меток. Чтобы также вернуть маску заполненных данных, задайте три выходные переменные для minibatchqueue объект.

miniBatchSize = 2;
mbq = minibatchqueue(dsTrain,3,...
    'MiniBatchSize',miniBatchSize,...
    'MiniBatchFcn', @preprocessMiniBatch);

Проверьте размер мини-пакетов.

[X,Y,mask] = next(mbq);
size(X)

ans = 1×3

           3       64480           2

size(mask)

ans = 1×3

           3       64480           2

Каждый мини-пакет имеет два наблюдения. Функция заполняет последовательности таким же размером, как и самая длинная последовательность в мини-пакете. Маска имеет тот же размер, что и заполненные последовательности, и показывает местоположение исходных значений данных в заполненных данных последовательности.

size(Y)

ans = 1×3

           5       64480           2

Заполненные метки закодированы с одной горячей кодировкой в числовые данные, готовые к обучению.

function [xPad,yPad,mask] = preprocessMiniBatch(X,Y)
    [xPad,mask] = padsequences(X,2);
    yPad = padsequences(Y,2);
    yPad = onehotencode(yPad,1);
end