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，数据可直接替换为自己的数据运行，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：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，自己换成自己的数据时可能需要根据实际情况调整网络。
最近在折腾一维信号的分类问题，发现用Matlab搞CNN分类的现成代码确实不多。正好手头有个自用的基础框架，拿过来改改就能跑，特别适合刚入门的同学理解整个流程。下面直接上硬货，咱们边看代码边聊注意事项。
先准备数据这事儿挺关键。假设你的数据已经整理成【样本数×信号长度】的矩阵，比如每个样本是1000个采样点的一维信号：
% 加载数据（这里假装已经load好了） normal_data = randn(200, 1000); % 200个正常样本 abnormal_data = randn(200, 1000); % 200个异常样本 % 打乱顺序防止批次偏差 shuffled_idx = randperm(400); all_data = [normal_data; abnormal_data]; all_labels = [ones(200,1); zeros(200,1)]; all_data = all_data(shuffled_idx, :); all_labels = all_labels(shuffled_idx, :); % 切分训练测试集 train_x = all_data(1:320, :); train_y = all_labels(1:320, :); test_x = all_data(321:end, :); test_y = all_labels(321:end, :); % 转成matlab需要的格式（样本数×1×长度×通道数） train_x = reshape(train_x, [320,1,1000,1]); test_x = reshape(test_x, [80,1,1000,1]);这里有个坑要注意：如果你的信号长度不一致，得先做插值或者截断对齐。我之前处理心电信号时就遇到过这个问题，最后用动态时间规整解决的。
接下来是网络结构搭建，这里用两层卷积+池化的经典组合：
layers = [ imageInputLayer([1 1000 1], 'Name', 'input') % 输入层 convolution2dLayer([1 15], 16, 'Padding', 'same', 'Name', 'conv1') % 一维卷积 batchNormalizationLayer reluLayer maxPooling2dLayer([1 5], 'Stride', [1 3], 'Name', 'pool1') % 一维池化 convolution2dLayer([1 10], 32, 'Padding', 'same', 'Name', 'conv2') batchNormalizationLayer reluLayer maxPooling2dLayer([1 5], 'Stride', [1 3], 'Name', 'pool2') globalAveragePooling2dLayer fullyConnectedLayer(2) softmaxLayer classificationLayer];这里有两个骚操作：
- 用imageInputLayer处理一维信号，本质是把单通道当作二维的特殊情况
- 全局平均池化替代全连接层，实测能有效防止过拟合，尤其在小样本场景下
训练参数配置直接影响收敛速度，新手建议先用默认参数试水：
options = trainingOptions('adam', ... 'MaxEpochs', 30, ... 'MiniBatchSize', 32, ... 'ValidationData', {test_x, categorical(test_y')}, ... 'ValidationFrequency', 10, ... 'Verbose', true, ... 'Plots', 'training-progress');重点说下ValidationFrequency设置。当你的训练集很大时，可以适当调高这个值加快训练。但咱们这个例子数据量小，设为10刚好能在每个epoch验证两次。
训练启动就一行代码：
net = trainNetwork(train_x, categorical(train_y'), layers, options);跑起来后盯着训练曲线看，如果验证集准确率早早就到95%以上但训练集还在涨，八成是过拟合了。这时候可以试试在卷积层后面加Dropout层，比如设置0.5的丢弃率。
测试环节要关注实际应用场景的需求：
% 预测并计算指标 pred_labels = classify(net, test_x); accuracy = sum(pred_labels == categorical(test_y'))/numel(test_y) % 混淆矩阵可视化 plotconfusion(categorical(test_y'), pred_labels) set(gca, 'XTickLabel', {'正常','异常'}) set(gca, 'YTickLabel', {'正常','异常'}) % 计算ROC曲线（需要深度学习工具箱） [~,scores] = predict(net,test_x); [X,Y,T,AUC] = perfcurve(test_y', scores(:,2), 1); figure; plot(X,Y); xlabel('假阳性率'); ylabel('真阳性率')遇到过特别有意思的情况：某次测试准确率高达99%，但实际部署时效果差，后来发现是测试集分布和真实场景不一致。所以建议在代码里预留数据增强的接口，比如加噪声、时移等操作。
最后说说工程化改进方向：
- 改用小波变换后的特征作为输入，对非平稳信号效果更好
- 在第一个卷积层后加残差连接，处理长程依赖
- 用贝叶斯优化自动调参
- 部署时改用C++接口加速推理
这个框架改成多分类也简单，把最后的全连接层输出改成类别数，损失函数换成交叉熵就行。完整代码已打包放在Github（假装有链接），换自己的数据时注意调整输入层的信号长度参数。遇到问题欢迎评论区交流，看到都会回~
