我有一个包含3个变量x、y、z的数据集，它们是3个不同传感器的读数。这些将作为输入。

当这些传感器发现特定对象时，它们的读数对应的输出应为1。否则，它们的读数对应的输出应为0。

这是发现对象时的示例

这是未发现对象时的示例

我想做的是构建一个神经网络（可能是LSTM）或其他任何方法，接收传感器的读数，并判断它们是否找到了对象。请注意，传感器输出的值通常与图中不同，但我注意到读数之间的相关性和它们之间的距离。

实现这一点的最佳方法是什么？

回答：

“最佳”模型是“艺术”。你必须反复测试，直到找到一个适合你的数据的模型。

但基本上，你的输入形状将是 (examples, time_steps, features)，其中：

• examples = 任何值，越多越好
• time_steps = 每个示例的长度（读数数量）
• features = 3。

然后你将创建一个以以下方式开始的模型：

inputs = Input((None, 3)) #变量time_steps，3个特征   

你可能会从标准化这些值中受益，可能使用批量标准化层：

outputs = BatchNormalization()(inputs)outputs = Activation('tanh')(outputs)

然后开始模型的LSTM部分（层数取决于你的测试）

#任何数量的类似层（这也可以是0）outputs = LSTM(units, return_sequences=True, activation='tanh')(outputs)#最后的LSTM层outputs = LSTM(units, return_sequences=False, activation='tanh')(outputs)

你可以选择添加或不添加额外的分类层，例如：

#任何数量的分类层，包括0outputs = Dense(units)(outputs)outputs = BatchNormalization()(outputs)outputs = Activation('relu')(outputs)#最后的分类：outputs = Dense(1)(outputs)outputs = BatchNormalization()(outputs)outputs = Activatoin('sigmoid')(outputs)

最后，将所有部分组合起来：

model = Model(intpus, outputs)

请注意，这只是一个模型示例。这可能会有很大变化（包括分支、池化、注意力机制等，但你的问题似乎足够简单）。

这里的关键部分是：

• 理解输入形状
• 理解在最后的LSTM中你会丢弃“time_steps”维度。
  • 现在你的问题是2D的 – (examples, units_or_features)
• 理解你的最后一层必须只有一个单元。（这样它可以为每个示例返回一个结果）
  • 你的输出数据也必须匹配这个形状：(examples, 1)
• 理解最后的激活函数应为’sigmoid’，这样结果在0和1之间。