关于LSTM输入特征维度与输入层维度不一致的问题！(语言-matlab)

Question

遇到LSTM输入特征维度与输入层维度不一致的问题。
代码最后面三个函数分别是形成特征矩阵函数、lstm样本函数、划分训练集、测试集的函数。
报错如下：
错误使用 trainNetwork
训练序列具有特征维度 2540 20，但输入层需要特征维度为 7930 的序列。
出错 untitled4 (第 112 行)
[net, trainInfo] = trainNetwork(X_train, Y_train, layers, options);
报错截图：

工作区截图：

%%----加载数据，形成特征矩阵，特征举证检查----
%--指定HDF5文件路径
hdf5_file = 'D:\matlab code\soil_data.h5';

% --调用函数构建三维矩阵
[feature_3d, station_ids, time_dates] = hdf5_to_3dmatrix1(hdf5_file);

% --检查结果
% disp('前5个站点ID:');
% disp(station_ids(1:5));
% 
% disp('前5个时间点:');
% disp(time_dates(1:5));
% 
% disp('三维矩阵维度:');
% disp(size(feature_3d));
% --检查数据维度
% [num_times, num_stations, num_features] = size(feature_3d);
% disp(['数据维度：时间步=', num2str(num_times), ...
%       ', 站点数=', num2str(num_stations), ...
%       ', 特征数=', num2str(num_features)]);
% --提取-- 时间- 站点- 特征
% test1 = feature_3d(2000:2050, :, 1);

% --查看HDF5文件中的特征名称（无需重新加载数据）
info = h5info('soil_data.h5', '/features');
feature_names = {info.Datasets.Name};
disp('特征顺序:');
disp(feature_names(:));  % 按列显示
%% ----数据归一化----
% --第一步：将三维数据展平为二维矩阵 [时间×站点, 特征]
data = reshape(feature_3d, [], size(feature_3d, 3));

% --第二步：计算每个特征的均值和标准差
mu = mean(data, 1);      % 均值, 尺寸: [1, 13]
sigma = std(data, 0, 1); % 标准差, 尺寸: [1, 13]

% --将 mu 和 sigma 转为三维 [1,1,5]
mu_3d = reshape(mu, [1, 1, size(feature_3d, 3)]);
sigma_3d = reshape(sigma, [1, 1, size(feature_3d, 3)]);

% --第三步：归一化（Z-score标准化）
normalized_data = (feature_3d - mu_3d) ./ sigma_3d;

% --归一化检查
denormalized_data = normalized_data .* sigma_3d + mu_3d;

% --反归一化数据与原数据检查
% test1 = feature_3d(2000:2050, :, 4);
% test2 = denormalized_data(2000:2050, :, 4);
% test3 = normalized_data(1:50, :, 4);
%% ----LSTM模型特别适配----
% --生成跳过预测的序列
window_size = 20;  % 输入序列长度
skip_steps = 4;    % 跳过4步，预测第5天
target_feature = 4; % 预测第4个特征（如温度）

[X, Y] = create_sequences_optimized1(normalized_data, window_size, skip_steps, target_feature);

% 检查尺寸
disp(['X尺寸: ', num2str(size(X))]); % 例如 [76, 20, 50] (100-20-4=76样本)
disp(['Y尺寸: ', num2str(size(Y))]); % 例如 [76, 10] (每个样本预测10个站点的温度)

%% ----内存释放----
clear time_dates station_ids denormalized_data data test1 test2 test3 normalized_data 

%% ----训练集、测试集、验证集划分----
% 默认比例划分 (70%/15%/15%)
[X_train, Y_train, X_val, Y_val, X_test, Y_test] = split_sequences(X, Y);

%% ----内存释放----
clear X Y hdf5_file

%% ----lstm网络架构定义----
% 输入参数定义（根据您的数据实际尺寸调整）
inputSize = size(X_train, 3);  % = 站点数 × 特征数 (如10站点×5特征=50)
numResponses = size(Y_train, 2);  % = 站点数 (如10)

% 网络层定义
layers = [
    % 输入层 (必须与X_train的维度匹配)
    sequenceInputLayer(inputSize, 'Name', 'input')
    
    % 单LSTM层 (核心时序特征提取)
    lstmLayer(128, 'OutputMode', 'last', 'Name', 'lstm1')
    
    % Dropout层 (防止过拟合，比率0.2)
    dropoutLayer(0.3, 'Name', 'dropout1')
    
    % 全连接层 (映射到输出维度)
    fullyConnectedLayer(numResponses, 'Name', 'fc')
    
    % 回归输出层
    regressionLayer('Name', 'output')
];

%% ----训练参数----
options = trainingOptions('adam', ...
    'MaxEpochs', 100, ...                      % 土壤数据建议100-150轮
    'MiniBatchSize', 32, ...                   % 平衡时序连续性与梯度稳定性
    'InitialLearnRate', 0.001, ...             % Adam标准初始学习率
    'GradientThreshold', 1.5, ...              % 针对20时间步的LSTM定制
    'GradientThresholdMethod', 'global-l2norm',... % 全局梯度裁剪
    'Shuffle', 'never', ...                    % 严格保持土壤温度时序物理性
    'ValidationData', {X_val, Y_val}, ...
    'ValidationFrequency', ceil(numel(Y_train)/32), ... % 每epoch完整验证一次
    'ValidationPatience', 10, ...               % 连续10次验证损失未下降则停止
    'Plots', 'training-progress', ...
    'ExecutionEnvironment', 'auto', ...         % 自动选择GPU/CPU
    'DispatchInBackground', true);             % 后台数据预加载
%% ----模型训练----
[net, trainInfo] = trainNetwork(X_train, Y_train, layers, options);

%% ----模型保存----
save('lstm model.mat', 'net');  % 保存训练好的网络

特征矩阵函数

function [feature_matrix, station_ids, time_dates] = hdf5_to_3dmatrix1(hdf5_filepath)
    % 读取HDF5文件并构建三维特征矩阵
    % 输入:
    %   hdf5_filepath - HDF5文件路径
    % 输出:
    %   feature_matrix - 三维特征矩阵(时间×站点×特征)
    %   station_ids - 站点ID数组
    %   time_dates - 日期字符串数组
    
    % 1. 读取站点信息
    station_ids = h5read(hdf5_filepath, '/stations/id');
    num_stations = length(station_ids);
    
    % 2. 读取时间信息
    time_dates = h5read(hdf5_filepath, '/time/dates');
    num_times = length(time_dates);
    
    % 3. 获取所有特征名称
    info = h5info(hdf5_filepath, '/features');
    feature_names = {info.Datasets.Name};
    num_features = length(feature_names);
    
    % 4. 预分配三维矩阵 (时间×站点×特征)
    feature_matrix = zeros(num_times, num_stations, num_features, 'single');
    
    % 5. 逐个特征读取并填充矩阵
    for feat_idx = 1:num_features
        feat_name = feature_names{feat_idx};
        feat_path = ['/features/' feat_name];
        
        % 读取特征数据 (假设数据是站点×时间的二维矩阵)
        feat_data = h5read(hdf5_filepath, feat_path);
        
        % 转置数据使其变为时间×站点
        feat_data = feat_data';
        
        % 将特征数据放入三维矩阵
        feature_matrix(:, :, feat_idx) = feat_data;
    end
    
    % 6. 转换站点ID为字符串数组(如果原始数据不是)
    if isnumeric(station_ids)
        station_ids = string(num2str(station_ids'));
    else
        station_ids = string(station_ids);
    end
    
    % 7. 转换日期为字符串数组(如果原始数据不是)
    if isnumeric(time_dates)
        time_dates = string(num2str(time_dates'));
    else
        time_dates = string(time_dates);
    end
    
    disp(['成功构建三维特征矩阵，维度为: ' num2str(size(feature_matrix))]);
    disp(['包含 ' num2str(num_features) ' 个特征: ' strjoin(feature_names, ', ')]);
end

lstm样本函数

%% --LSTM模型特别适配函数
function [X, Y] = create_sequences_optimized(data, window_size, skip_steps, target_feature)
    [T, S, F] = size(data);
    num_samples = T - window_size - skip_steps;
    
    % 预分配内存 - 注意这里的第三维应该是S*F
    X = zeros(num_samples, window_size, S * F);
    Y = zeros(num_samples, S);
    
    for i = 1:num_samples
        % 获取窗口数据并保持站点×特征的结构
        window_data = data(i:i+window_size-1, :, :);
        
        % 重塑为[window_size, S*F]的形状
        X(i, :, :) = reshape(window_data, window_size, S*F);
        
        % 目标值
        Y(i, :) = data(i+window_size+skip_steps, :, target_feature);
    end
end

划分训练集、测试集的函数。

%% ----训练集、测试集、验证集划分函数----
function [X_train, Y_train, X_val, Y_val, X_test, Y_test] = split_sequences(X, Y, ratios)
    % 严格按时间顺序划分数据集（保持double精度）
    % 输入:
    %   X: 输入样本 [num_samples, window_size, num_features]
    %   Y: 输出标签 [num_samples, num_stations]
    %   ratios: 结构体包含Train/Val/Test比例（默认0.7/0.15/0.15）
    % 输出:
    %   划分后的训练集、验证集、测试集
   
    % 参数检查（包含所有比例字段）
    arguments
        X double
        Y double
        ratios.Train (1,1) double {mustBePositive, mustBeLessThan(ratios.Train,1)} = 0.7
        ratios.Val (1,1) double {mustBePositive, mustBeLessThan(ratios.Val,1)} = 0.15
        ratios.Test (1,1) double {mustBePositive, mustBeLessThan(ratios.Test,1)} = 0.15
    end
    
    % 验证比例总和为1（含Test字段）
    assert(abs(ratios.Train + ratios.Val + ratios.Test - 1) < 1e-6, ...
        '比例总和必须为1 (当前总和=%.2f)', ratios.Train + ratios.Val + ratios.Test);
    
    % 验证输入一致性
    assert(size(X,1) == size(Y,1), 'X和Y的样本数不一致！');
    
    % 计算划分点
    num_samples = size(X,1);
    train_end = floor(ratios.Train * num_samples);
    val_end = train_end + floor(ratios.Val * num_samples);
    
    % 核心划分（保持double精度）
    X_train = X(1:train_end, :, :);
    Y_train = Y(1:train_end, :);
    
    X_val = X(train_end+1:val_end, :, :);
    Y_val = Y(train_end+1:val_end, :);
    
    X_test = X(val_end+1:end, :, :);
    Y_test = Y(val_end+1:end, :);
    
    % 边界安全检查
    assert(val_end < num_samples, '验证集索引越界');
    assert(size(X_train,1) + size(X_val,1) + size(X_test,1) == num_samples, ...
        '样本总数不匹配');
    
    % 打印划分结果
    disp('==== 数据集划分完成 ====');
    disp(['训练集: ', num2str(size(X_train,1)), '样本 (', num2str(ratios.Train*100), '%)']);
    disp(['验证集: ', num2str(size(X_val,1)), '样本 (', num2str(ratios.Val*100), '%)']);
    disp(['测试集: ', num2str(size(X_test,1)), '样本 (', num2str(ratios.Test*100), '%)']);
end

训练集X_train为三维矩阵（样本数×时间步数×特征），其第三维的应该与lstm输入层对应，我认为我已经完全对应。但还是报错

Answer 1

让【宝码香车】来帮你解答，本回答参考DeepSeek编写，并整理提供。
如果还有疑问可以点击头像关注私信或评论。如果答案让您满意，请采纳、点赞、关注，非常感谢！

根据您提供的信息和代码，问题出在LSTM输入维度不匹配上。从错误信息和代码分析，主要问题在于数据重塑和维度定义的方式。

问题分析

1. 错误信息显示：

   • 训练序列维度：2540×20（样本数×时间步）
   • 输入层需要维度：7930（特征维度）

2. 工作区变量显示：

   • X_train维度：2540×20×7930
   • inputSize定义：7930（来自X_train的第三维）

3. 关键问题：

   • 您的create_sequences_optimized1函数将数据重塑为[window_size, S*F]形状
   • 但MATLAB的LSTM输入要求特征维度应该是最后一维（即第三维）

解决方案

需要调整数据预处理流程，以下是修正后的关键部分：

1. 修改序列创建函数

function [X, Y] = create_sequences_optimized1(data, window_size, skip_steps, target_feature)
    [T, S, F] = size(data);
    num_samples = T - window_size - skip_steps;
    
    % 修正维度顺序：样本×时间步×特征
    X = zeros(num_samples, window_size, S*F);
    Y = zeros(num_samples, S);
    
    for i = 1:num_samples
        % 获取窗口数据
        window_data = data(i:i+window_size-1, :, :);
        
        % 重塑为[window_size, S*F]并转置为[window_size, S*F]
        X(i, :, :) = reshape(window_data, window_size, []);
        
        % 目标值
        Y(i, :) = data(i+window_size+skip_steps, :, target_feature);
    end
end

2. 检查输入层定义

确保inputSize正确计算：

% 修正inputSize计算方式
inputSize = size(X_train, 3);  % 应该等于站点数×特征数
disp(['输入层维度: ', num2str(inputSize)]);

3. 验证数据维度

在训练前添加检查：

% 训练前维度验证
disp(['X_train维度: ', num2str(size(X_train))]);
disp(['Y_train维度: ', num2str(size(Y_train))]);
disp(['输入层期望维度: ', num2str(inputSize)]);
assert(size(X_train,3) == inputSize, '输入维度不匹配！');

完整修正流程

1. 数据流验证：

   • 原始数据：3652×670×13（时间×站点×特征）
   • 窗口处理后：样本×20×（670×13）=样本×20×8710
   • 但您的工作区显示7930，说明可能有特征筛选

2. 关键修正点：

   • 确保create_sequences_optimized1输出的第三维与inputSize一致
   • 检查是否有特征筛选步骤被遗漏

3. 备选方案：
   如果维度仍不匹配，可以强制重塑：

% 如果确定需要7930维度
X_train = reshape(X_train, [size(X_train,1), size(X_train,2), 7930]);

可能的问题根源

1. 特征数量不一致：

   • 原始特征：13个
   • 站点：670个
   • 理论特征维度：670×13=8710
   • 但实际使用7930，说明可能：
     • 有部分站点被排除
     • 有部分特征被排除

2. 建议检查：

   • 确认feature_names实际包含的特征
   • 检查station_ids数量是否为670

通过以上调整应该能解决维度不匹配问题。如果仍有问题，可能需要检查数据预处理流程中是否有额外的特征筛选步骤。