我的任务是使用MATLAB和任何神经网络框架对时间序列数据进行分类。
更具体地描述任务： 是计算机视觉领域的问题。是场景边界检测任务。
源数据是来自视频流的4个相邻帧直方图相关阵列。 根据这些数据，我们必须将这个时间序列分为两类：
因此，每个源数据条目的网络输入为4个双精度值，输出为一个二进制值。我将在下面展示src数据的示例：
0.997894,0.999413,0.982098,0.992164
0.998964,0.999986,0.999127,0.982068
0.993807,0.998823,0.994008,0.994299
0.225917,0.000000,0.407494,0.400424
0.881150,0.999427,0.949031,0.994918
问题是来自Matlab Neural Toolbox（如patternnet）的模式识别工具威胁源数据，如独立的entrues。但我坚信，只有在根据先前相关性的历史做出决定时，结果才是准确的。
但我也无法从提供时间序列分析的reccurent网络（如delaynet和narxnet）获得有效回应。
narxnet和delaynet返回糟糕的结果，看起来这些类型的网络不应该解决分类任务。我不是在这里插入任何代码，而是使用Matlab Neural Toolbox GUI完全自动生成。
我很感激任何帮助。特别是，一些建议哪种工具更适合完成我的任务。
答案 0 :(得分：1)
我不确定这个问题的分类有多难。 鉴于您的样本，4输入和1输出前馈神经网络就足够了。
如果您坚持使用历史输入，则只需预处理输入d，以便
您的新输入D(t)（时间为t的向量）由d(t)组成，是时间t的1x4向量; d(t-1)在时间t-1是1x4向量; ... d(t-k)是时间t-k的1x4向量。
如果t-k <0，请将其视为“0”。
所以你有1x（4（k + 1））向量作为输入，1输出。
与Dan提到的类似，你需要找到一个好的k。
说到权重，我认为没有必要对输入进行额外的预处理，如窗口化方法，因为神经网络将被训练为每个输入维度分配权重。
听起来有点乱，因为神经网络会独立地考虑每个输入维度。这意味着您将信息丢失为四个相邻的相关性。
一种可能的解决方案是预处理提取邻域特征，例如使用 mean 和 std 作为两个代表原件的功能。