当前位置：首页 > news >正文

【MATLAB第118期】基于MATLAB的双通道CNN多输入单输出分类预测方法

news 来源：原创 2025/4/27 8:00:18

【MATLAB第118期】基于MATLAB的双通道CNN多输入单输出分类预测方法

一、双通道CNN简介

在深度学习领域，卷积神经网络（CNN）凭借其强大的特征提取能力，已成为图像识别、自然语言处理等任务的核心技术。传统单通道CNN在处理单一模态数据时表现出色，但在面对多源异构数据时往往力不从心。双通道CNN分类预测方法通过引入并行特征学习机制，开创性地实现了多维度信息融合，为复杂场景下的智能决策提供了新思路。

1、案例数据

本位使用案例数据输入特征变量为12个，四分类。‌将12维特征分为两组（前6维和后6维），对应不同来源或类型的特征，将每个通道使用独立的卷积网络提取局部特征‌，通过拼接（concatenation）整合双通道信息，增强特征表达能力。双通道CNN架构示意图如下，双通道架构包含两个独立特征提取分支与融合模块。
在这里插入图片描述

2. 网络结构特点

‌分支结构差异‌：
通道1使用2x1卷积核，适合捕捉短距离特征模式
通道2使用3x1卷积核，适合捕捉较长距离的依赖关系
‌参数共享‌：各通道独立训练，避免特征混淆
‌融合策略‌：拼接（而非相加）保留更多原始特征信息

3. 性能优化措施

‌归一化处理‌：各通道独立归一化，消除量纲差异
‌正则化‌：L2正则化(1e-4) + Dropout(0.5) 防止过拟合
‌动态学习率‌：初始学习率1e-3，每40轮衰减为原来的0.1倍
程，实现了对复杂特征组合的有效建模，在保持较高参数效率的同时提升了模型表达能力。

二、部分代码展示

%% 环境初始化
clc; clear; close all; % 清除命令窗口、工作区变量和关闭所有图形窗口
warning off           % 关闭警告提示%% 数据加载与预处理（示例数据集）
% 生成演示数据（替换为实际数据）
res = xlsread("分类数据集.xlsx"); % 读取Excel格式的分类数据集
numSamples = size(res,1);         % 获取样本总数data = res(:,1:end-1); % 提取前12列作为特征数据（12维特征）
labels = res(:,end);   % 最后一列作为分类标签%% 数据集划分
rng(0); % 固定随机种子保证结果可复现
% 使用dividerand函数按7:3比例划分训练集和测试集
[trainInd,testInd] = dividerand(size(data,1),0.7,0.3);% 通道分离：将12维特征分为两个6维通道
trainData1 = data(trainInd,1:6)'; % 通道1特征（训练集，转置为行向量）
trainData2 = data(trainInd,7:12)';% 通道2特征
testData1 = data(testInd,1:6)';   % 测试集通道1
testData2 = data(testInd,7:12)';   % 测试集通道2% 标签处理：转换为分类数据类型
t_train = categorical(labels(trainInd))'; % 训练标签
t_test = categorical(labels(testInd))';     % 测试标签%% 数据归一化（双通道独立归一化）
% 使用mapminmax进行[0,1]归一化，保持通道独立性
[tr1, ps1] = mapminmax(trainData1, 0, 1);  % 通道1训练集归一化
[tr2, ps2] = mapminmax(trainData2, 0, 1);  % 通道2训练集归一化
ts1 = mapminmax('apply', testData1, ps1);  % 应用通道1的归一化参数到测试集
ts2 = mapminmax('apply', testData2, ps2);  % 应用通道2的归一化参数%% 数据重塑（适应双通道输入）
% 调整维度顺序为 [特征数, 高度, 通道数, 样本数]
p_train1 = reshape(tr1,6,1,1,[]); % 重塑为4D数组（6个特征，单通道）
p_train2 = reshape(tr2,6,1,1,[]); 
p_test1 = reshape(ts1,6,1,1,[]);
p_test2 = reshape(ts2,6,1,1,[]);% 创建标签数据存储
labelsTrain = categorical(labels(trainInd));
labelDs = arrayDatastore(labelsTrain);% 验证集构建同理
labelsTest = categorical(labels(testInd));
valLabelDs = arrayDatastore(labelsTest;%% 双通道网络架构
% 通道1支路（使用2x1卷积核）
branch1 = [imageInputLayer([6 1 1], 'Name','input1') % 输入层：6个特征，单通道convolution2dLayer([2 1],16,'Padding','same','Name','conv1_1') % 2x1卷积核batchNormalizationLayer                    % 批量归一化reluLayer                                  % 激活函数maxPooling2dLayer([2 1],'Stride',2,'Name','pool1') % 最大池化convolution2dLayer([2 1],32,'Padding','same','Name','conv2_1') batchNormalizationLayerreluLayerflattenLayer('Name','flatten1')]; % 展平层用于特征融合% 通道2支路（使用3x1卷积核）
branch2 = [imageInputLayer([6 1 1], 'Name','input2')convolution2dLayer([3 1],16,'Padding','same','Name','conv1_2') batchNormalizationLayerreluLayermaxPooling2dLayer([2 1],'Stride',2,'Name','pool2')convolution2dLayer([3 1],32,'Padding','same','Name','conv2_2')batchNormalizationLayerreluLayerflattenLayer('Name','flatten2')];% 分类头部
fullConn = [fullyConnectedLayer(64, 'Name', 'fc')     % 全连接层reluLayerdropoutLayer(0.5)                         % 随机失活防止过拟合fullyConnectedLayer(numel(categories(t_train))) % 输出层（类别数）softmaxLayerclassificationLayer];                    % 分类输出层%% 网络连接
lgraph = layerGraph();
lgraph = addLayers(lgraph, branch1);
lgraph = addLayers(lgraph, branch2);%% 训练参数设置
options = trainingOptions('adam',...'MaxEpochs',500,...             % 最大训练轮次'InitialLearnRate',1e-3,...     % 初始学习率'LearnRateSchedule','piecewise',... % 分段学习率策略'LearnRateDropFactor',0.1,...      % 学习率衰减因子'LearnRateDropPeriod',40,...       % 每40轮衰减一次'ValidationData',valDs,...         % 验证数据集'ValidationFrequency',30,...       % 每30次迭代验证一次'L2Regularization',1e-4,...        % L2正则化系数'Shuffle','every-epoch',...        % 每轮打乱数据'OutputNetwork','best-validation-loss',... % 保存最佳模型'Verbose',true);                   % 显示训练过程%% 网络训练
[net,traininfo] = trainNetwork(trainDs, lgraph, options);%% 测试集预测
preds = classify(net, testCombined);       % 执行预测
accuracy = mean(preds == labelsTest);      % 计算准确率
fprintf('测试集准确率: %.2f%%\n', accuracy*100);%% 结果可视化
figure();
yyaxis left;
plot(traininfo.TrainingLoss);              % 绘制训练损失曲线
title('Double_CNN');
xlabel('训练次数');
ylabel('损失值');
yyaxis right;
plot(traininfo.TrainingAccuracy);          % 绘制训练准确率曲线
ylabel('正确率');% 预测结果对比
YTest = double(labelsTest);
YPred = double(preds);
figure()
subplot(2,1,1)
plot(YTest)
hold on
plot(YPred,'--ok')                         % 绘制预测值与真实值对比
legend(["监测值" "预测值"])
xlabel("测试样本")
ylabel("预测结果")subplot(2,1,2)
stem(YPred - YTest)                        % 绘制预测误差
xlabel("测试样本")
ylabel("误差")
title("准确率acc = " + accuracy)