我有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。
当这些传感器找到特定对象时，其读数的相应输出应为1。否则，那里的读数的相应输出应为0。
这是他们找到对象时的示例
这是当他们找不到对象的例子
我想要做的是制作一个神经网络（可能是LSTM）或任何其他方法来接收传感器读数，并告诉传感器是否在寻找对象。
请注意，传感器输出的值通常与图中的值不同，但我注意到的是读数与它们之间的距离之间的相关性。
最好的实现方法是什么？
最佳答案
“最好的”模型是“艺术”。您必须进行测试，直到找到适合自己数据的数据为止。
但基本上，您将输入形状为(examples, time_steps, features)的输入，其中：examples =任何值，越多越好time_steps =每个示例的长度（读数数）features = 3。
然后，您将创建一个以以下内容开头的模型：
inputs = Input((None, 3)) #variable time_steps, 3 features
您可能会受益于使用这些值的归一化，可能带有批处理归一化层：
outputs = BatchNormalization()(inputs)
outputs = Activation('tanh')(outputs)
然后启动模型的LSTM部分（层数取决于测试）
#any number of layers similar to this (this can also be 0)
outputs = LSTM(units, return_sequences=True, activation='tanh')(outputs)
#the last LSTM layer
outputs = LSTM(units, return_sequences=False, activation='tanh')(outputs)
您可能会或可能不会添加额外的分类层，例如：
#any number of classification layers, including 0
outputs = Dense(units)(outputs)
outputs = BatchNormalization()(outputs)
outputs = Activation('relu')(outputs)
#last classification:
outputs = Dense(1)(outputs)
outputs = BatchNormalization()(outputs)
outputs = Activatoin('sigmoid')(outputs)
最后，加入所有内容：
model = Model(intpus, outputs)
请注意，这只是模型的一个示例。这可能会有所不同（包括分支，池，注意机制等，但是您的问题似乎很简单）。
这里的重要部分是：
了解输入形状
请理解，在上一个LSTM中，您将丢弃“ time_steps”维度。
现在您的问题是2D-
(examples, units_or_features)请注意，您的最后一层必须只有一个单位。 （因此，每个示例可以返回一个结果）
您的输出数据还必须匹配以下形状：
(examples, 1)了解最后一次激活应为“ Sigmoid”，因此结果在0到1之间。