使用Matlab和CNN对一维信号进行二分类

QQ-767172261

于 2024-10-08 08:36:09 发布

阅读量490

点赞数 17

分类专栏： Matlab 文章标签：获取QQ767172261 Matlab使用CNN 一维信号

本文链接：https://blog.csdn.net/2401_86889530/article/details/142750488

版权

Matlab 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

Matlab使用CNN(卷积神经网络)对一维信号(如语音信号、心电图信号)进行二分类源程序。也可以改成多分类。

会提供原始数据，注释详细

工作如下：
1、加载数据，一共为200个正常样本和200个异常样本，训练集为80%，即160正常和160异常，一共320条数据；测试集为40正常和40异常，一共80条数据。
2、构建一维CNN架构，层数为两层。
3、构建options。
4、训练。
5、测试，并绘制混淆矩阵。
注：需要Matlab 2020以上版本。考虑到使用Matlab对一维信号进行CNN分类的教程较少，此程序是为了方便学习怎么搭建网络、测试等等，使用的数据量较少，并且数据本身也易于分类。可有偿帮忙替换数据，换成自己的数据时可能需要根据实际情况调整网络。

项目介绍：使用Matlab和CNN对一维信号进行二分类

项目名称

1D CNN for One-Dimensional Signal Classification in Matlab

项目概述

本项目旨在使用Matlab中的卷积神经网络（CNN）对一维信号（如语音信号、心电图信号等）进行二分类。项目提供了详细的注释和示例数据，适合初学者学习如何在Matlab中搭建和训练一维CNN，并进行分类任务。项目包含从数据加载、模型构建、训练到测试的完整流程，并且可以轻松扩展为多分类任务。

项目特点

详细注释：代码中包含详细的注释，方便理解和修改。
易于上手：适合初学者快速入门一维CNN的构建和训练。
可扩展性：可以轻松扩展为多分类任务。
数据集划分：随机划分训练集和测试集，确保模型的泛化能力。
性能评估：计算准确率并绘制混淆矩阵，直观展示分类效果。
有偿服务：提供有偿的数据替换服务，根据实际情况调整网络结构。

项目结构

1D_CNN_Signal_Classification/
├── main.m                          # 主程序
├── data/                           # 数据文件夹
│   ├── normal_signals.mat          # 正常信号数据
│   └── abnormal_signals.mat        # 异常信号数据
├── utils/                          # 工具函数
│   ├── plot_confusion_matrix.m     # 绘制混淆矩阵
└── README.md                       # 项目说明文档

数据格式

原始数据：正常和异常信号分别保存在两个MAT文件中，每个文件包含200条一维信号，每条信号长度为500。
类别信息：正常信号标记为0，异常信号标记为1。

项目工作流程

加载数据：从MAT文件中读取正常和异常信号数据。
构建数据集：将数据转换为适合Matlab的数据集，并随机划分训练集（80%）和测试集（20%）。
构建一维CNN架构：定义两层的一维CNN模型。
构建options：设置训练参数。
训练：使用训练集数据训练CNN模型。
测试：使用测试集数据测试CNN模型，计算准确率并绘制混淆矩阵。

代码示例

1. 主程序 `main.m`

% 主程序 main.m
% 使用1D CNN对一维信号进行二分类
% 需要Matlab 2020及以上版本

% 1. 加载数据
load('data/normal_signals.mat');
load('data/abnormal_signals.mat');

% 将数据合并
X = [normal_signals; abnormal_signals];
y = [zeros(size(normal_signals, 1), 1); ones(size(abnormal_signals, 1), 1)];

% 2. 构建数据集
% 随机划分训练集和测试集
cv = cvpartition(y, 'HoldOut', 0.2);
idx = cv.test;
X_train = X(~idx, :);
y_train = y(~idx, :);
X_test = X(idx, :);
y_test = y(idx, :);

% 转换为适合Matlab的数据格式
X_train = num2cell(X_train, 2);
X_test = num2cell(X_test, 2);

% 3. 构建一维CNN架构
layers = [
    sequenceInputLayer(1)
    convolution1dLayer(10, 32, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling1dLayer(2, 'Stride', 2)
    convolution1dLayer(10, 64, 'Padding', 'same')
    batchNormalizationLayer
    reluLayer
    maxPooling1dLayer(2, 'Stride', 2)
    flattenLayer
    fullyConnectedLayer(2) % 二分类
    softmaxLayer
    classificationLayer
];

% 4. 构建options
options = trainingOptions('adam', ...
    'MaxEpochs', 10, ...
    'MiniBatchSize', 32, ...
    'Plots', 'training-progress', ...
    'Verbose', false, ...
    'Shuffle', 'every-epoch');

% 5. 训练
net = trainNetwork(X_train, categorical(y_train), layers, options);

% 6. 测试
Y_pred = classify(net, X_test);
Y_pred = double(Y_pred) - 1; % 将分类结果转换为0或1

% 计算准确率
accuracy = sum(Y_pred == y_test) / numel(y_test);
fprintf('Accuracy: %.2f%%\n', accuracy * 100);

% 绘制混淆矩阵
plot_confusion_matrix(y_test, Y_pred);

2. 工具函数 `utils/plot_confusion_matrix.m`

% 工具函数 plot_confusion_matrix.m
% 绘制混淆矩阵

function plot_confusion_matrix(true_labels, predicted_labels)
    % 计算混淆矩阵
    cm = confusionmat(true_labels, predicted_labels);
    
    % 绘制混淆矩阵
    figure;
    imagesc(cm);
    colorbar;
    title('Confusion Matrix');
    xlabel('Predicted Label');
    ylabel('True Label');
    set(gca, 'XTick', [1 2], 'XTickLabel', {'Normal', 'Abnormal'});
    set(gca, 'YTick', [1 2], 'YTickLabel', {'Normal', 'Abnormal'});
    caxis([0, max(max(cm))]);
end

使用说明

准备数据：
- 确保你的正常和异常信号数据分别保存在data/normal_signals.mat和data/abnormal_signals.mat中，每条信号长度为500。
- 如果需要替换数据，请联系作者进行有偿数据替换服务。
运行主程序：
- 在Matlab环境中运行main.m脚本。
- 查看控制台输出的准确率和生成的混淆矩阵。