Neural network 为什么LSTM对人工时间序列数据的性能不如简单的前馈神经网络

我有一个人工数据集。关于二类分类问题

我有2000个数据实例和500个时间样本。所有的数据实例是前1000个数据实例的零点（500个零）的向量，i在中间（200—250）中添加了一个小半圆（它们被称为目标）。然后，我向所有数据实例添加了噪波。（没有半圆的其他1000个样本称为非目标。）

任务是将目标与非目标进行分类

我使用LSTM完成这项任务，获得了50%的准确率。模型什么也学不到

然后我只使用完全连接的层，准确率是99%

---

我不明白为什么LSTM没有学到任何东西……我在这里缺少的是与时间相关的数据，它们的训练过程通常比完全连接的层复杂得多。即使LSTM遭受的梯度消失比简单RNN小，但训练起来仍然非常困难

你的问题并不一定需要LSTM。当输入或输出序列长度可变时，LSTM非常有用。在您的情况下，这种情况不会发生，FNN工作正常

LSTMs的另一个用途是，输出中的时间步可能取决于前面的时间步，这也不是您的情况

例如，要测试LSTM，您可以尝试预测正弦波上的下一个值，或者尝试一些翻译、NLP等。

欢迎使用，user3602374！：）也许平台更适合你的问题。