多变量分类预测：深度学习模型对比与MATLAB实现

1. 项目概述：多变量分类预测的模型对比实验

在时间序列分类任务中，模型选型往往让研究者面临选择困难。这个MATLAB项目系统地对比了五种主流深度学习架构在多变量分类任务中的表现，包括三种混合模型（Transformer-LSTM、CNN-LSTM）和两种单一模型（Transformer、LSTM、CNN）。通过标准化实验流程，我们可以直观评估不同模型在相同数据条件下的性能差异，为实际工程中的模型选择提供数据支持。

项目亮点在于其"开箱即用"的特性——用户只需准备符合格式要求的Excel数据文件，运行脚本即可自动完成从数据预处理到模型对比的全流程，并生成包含关键指标的可视化报告。这对于需要快速验证模型效果的场景（如工业故障检测、医疗信号分类、金融时序预测等）具有实用价值。

提示：虽然项目使用MATLAB实现，但提供的模型架构思路和对比方法论同样适用于Python的TensorFlow/PyTorch环境，核心差异仅在于API调用方式。

2. 核心模型架构解析

2.1 混合模型设计理念

混合模型的核心思想是结合不同神经网络的互补优势。在本项目中：

• Transformer-LSTM：用Transformer捕捉长距离依赖关系，LSTM处理局部时序模式。具体实现时，先通过Transformer层提取全局特征，再将输出序列输入LSTM进行时序建模，最后用全连接层分类。

• CNN-LSTM：CNN卷积层提取局部空间特征（如滑动窗口内的模式），LSTM层学习时序动态。典型配置是2-3个卷积层后接池化层，然后输入LSTM层。这种架构特别适合具有局部时空相关性的数据（如振动传感器信号）。

2.2 单一模型实现要点

• 纯Transformer：采用标准编码器结构，包含多头自注意力层和前馈网络。关键参数包括头数（numHeads）、编码器层数和嵌入维度。对于时间序列数据，需要添加位置编码（Positional Encoding）来保留时序信息。

• 纯LSTM：设置隐藏单元数（通常64-256）、层数（1-3层）和dropout率（防止过拟合）。注意输出层使用softmax激活函数配合分类任务。

• 纯CNN：通过1D卷积核滑动提取特征，配置卷积核大小（控制感受野）、滤波器数量