matlab深度学习关于带时间表数据的种类判断

问题遇到的现象和发生背景

matlab深度学习工具
想用多个独立变量在一段时间内值的变化对应于某种故障类别，
如图所示

结果没有什么头绪， 能麻烦讲讲嘛
用诊断特征设计器做不到，因为好几个变量其实是代表着不同开关的状态，取值只有0，1，训练不了

操作环境、软件版本等信息

matlab2022a

尝试过的解决方法

将故障类别转化为同样格式的元胞数组形式，但依旧提示无效的训练数据。预测变量和响应必须有相同的观测值数目。
也尝试过去除时间表，只保留对应数据，但依旧提示无效的训练数据。预测变量和响应必须有相同的观测值数目。
还有作图法对特征进行分析，也是好几个变量其实是代表着不同开关的状态，取值只有0，1，训练不了

我想要达到的结果

可以通过训练使得机器能够预测和判断对应的故障类别

可以使用深度学习工具箱来构建和训练神经网络模型，以实现多个独立变量在一段时间内值的变化与故障类别之间的关联。

% 1. 准备数据
% 假设你有一个包含多个独立变量的时间序列数据集 X，以及对应的故障类别标签 Y。
% X 的大小为 [样本数, 时间步数, 特征数]，Y 的大小为 [样本数, 类别数]。

% 2. 构建 LSTM 网络模型
numFeatures = size(X, 3);
numClasses = size(Y, 2);

layers = [
    sequenceInputLayer(numFeatures)
    lstmLayer(100, 'OutputMode', 'last')
    fullyConnectedLayer(numClasses)
    softmaxLayer
    classificationLayer
];

% 3. 设置训练选项
options = trainingOptions('adam', ...
    'MaxEpochs', 50, ...
    'MiniBatchSize', 64, ...
    'ValidationData', {XValidation, YValidation}, ...
    'Plots', 'training-progress');

% 4. 训练模型
net = trainNetwork(XTrain, YTrain, layers, options);

% 5. 使用模型进行预测
YPred = classify(net, XTest);

% 可以根据需要进行后续评估、调整和优化等操作。

MATLAB用深度学习长短期记忆 (LSTM) 神经网络对智能手机传感器时间序列数据进行分类
可以参考下

MATLAB用深度学习长短期记忆 (LSTM) 神经网络对智能手机传感器时间序列数据进行分类_lstm时间序列动作分类_拓端研究室的博客-CSDN博客 此示例说明如何使用长短期记忆 (LSTM) 网络对序列数据的每个时间步长进行分类。要训​​练深度神经网络对序列数据的每个时间步进行分类，可以使用序列到序列 LSTM 网络。序列到序列 LSTM 网络使您能够对序列数据的每个单独时间步进行不同的预测。此示例使用从佩戴在身上的智能手机获取的传感器数据。该示例训练 LSTM 网络，以在给定时间序列数据的情况下识别佩戴者的活动，这些数据表示三个不同方向的加速度计读数。训练数据包含七个人的时间序列数据。每个序列具有三个特征并且长度不同。数据集包含六个训练观察._lstm时间序列动作分类 https://blog.csdn.net/qq_19600291/article/details/124399839

https://www.bilibili.com/read/cv21809640

你可以尝试对数据进行特征工程，将每个开关的状态转换为一个二进制特征。例如，如果某个开关有三种状态，你可以将这个开关的状态表示为一个长度为3的二进制向量。这样，你可以将每个开关的状态表示为一个向量，然后将这些向量拼接起来，形成一个新的特征矩阵。然后使用深度学习模型进行训练和预测。你可以使用循环神经网络（RNN）或卷积神经网络（CNN）来处理时间序列数据。在MATLAB中，你可以使用深度学习工具箱中的分类器来建立模型

将开关状态转换成二进制向量，然后再进行学习训练

用向量来标识开关状态

利用深度学习生成数据的时间序列预测（Matlab代码实现）_matlab时间序列预测值代替异常数据_紫极程序猿的博客-CSDN博客 然而,现有研究在时间序列预测方面存在诸多局限性,没有考虑到复杂且规模庞大数据的计算消耗,忽视了非平稳数据的时间协变量漂移问题,缺乏一个实时、精准且泛化性能强的预测模型。给定数据集包括辐照数据集和发电数据集，其基本上分别包含由传感器检测到的辐照度值和以（kw/h）为单位的发电值。该项目的主要目标是找出最适合预测未来两天发电数据的ANN架构，从任何给定的一天开始，间隔为15、30、45、60分钟。这些数据集包含从2018年12月到2019年11月的所有12个月的数据，每15分钟记录一次数据。_matlab时间序列预测值代替异常数据 https://blog.csdn.net/weixin_46039719/article/details/128356664