尧图网站建设 
简介这份资源面向需要处理时间序列、音频信号或文本等一维数据的深度学习初学者与工程人员提供用MATLAB实现一维卷积神经网络1D-CNN的基础网络结构源码帮助理解卷积、池化与分类层的搭建逻辑并可直接用于分类与特征提取任务的入门实践。压缩包为rar格式仅含1个m文件体积约2KB属于轻量级脚本便于快速阅读与二次修改。目前已有4669人学习下载说明该示例在MATLAB深度学习入门群体中具有一定参考价值。代码围绕sequenceInputLayer、convolution1dLayer、reluLayer、maxPooling1dLayer、fullyConnectedLayer、softmaxLayer与classificationLayer等核心层展开覆盖输入、卷积、池化、全连接与分类输出的完整流程并涉及trainNetwork训练、classify预测及准确率评估等关键环节读者可据此掌握滤波器尺寸、池化窗口、步长、迭代轮数等参数的调整思路为后续迁移到自身一维数据任务提供可复用的代码骨架。1. 从振动信号到一维卷积为什么 1D-CNN 值得单独拎出来讲很多人第一次接触 CNN 都是从图像分类开始的二维卷积核在特征图上滑动提取纹理和边缘。但工业场景里大量数据根本不是图像而是振动信号、心电波形、电流时序、传感器采样序列——这些都是一维信号。拿二维卷积去套要么把信号强行 reshape 成方阵要么堆一堆手工特征再喂给 SVM。一维卷积神经网络1D-CNN就是为这类序列数据设计的卷积核只沿时间轴滑动参数量比 2D 少一个量级训练快部署轻。这份CNN0926_一维卷积_matlab1D-CNN资源核心就是用 MATLAB 的 Deep Learning Toolbox 搭一套能跑通的一维卷积流程从数据构造、网络定义到训练和推理。适合手上有信号数据、想快速验证深度学习方案、又不想折腾 Python 环境的工程师。2. MATLAB 里的一维卷积层到底怎么算2.1 一维卷积的数学形式与维度约定一维卷积在离散信号上的定义很直接输出序列的第 $i$ 个位置是输入序列上以 $i$ 为起点、长度为 $K$ 的窗口与卷积核逐元素相乘再求和。用公式写就是 $y[i] \sum_{k0}^{K-1} x[ik] \cdot w[k] b$。MATLAB 的convolution1dLayer默认做的是互相关cross-correlation也就是不翻转卷积核这和深度学习框架里的惯例一致。维度上MATLAB 要求输入格式是C×B×T即通道数×批大小×时间步。这一点和 Python 里常见的B×T×C不同是新手最容易踩的坑。假设你有一条三轴加速度信号采样率 1000 Hz取 2048 个点那么输入层应该声明为[3 1 2048]批大小那一维在定义网络时写 1训练时自动扩展。2.2 用 convolution1dLayer 搭建网络骨架下面这段代码定义了一个四层的一维卷积网络结构是「卷积-批归一化-ReLU-池化」重复两次然后全局平均池化接全连接和 softmax。这个结构在轴承故障诊断、ECG 分类这类任务上是很常见的基线。% 定义一维卷积网络输入为 3 通道、2048 时间步 layers [ sequenceInputLayer(3, MinLength, 2048, Name, input) convolution1dLayer(16, 32, Padding, same, Name, conv1) batchNormalizationLayer(Name, bn1) reluLayer(Name, relu1) maxPooling1dLayer(4, Stride, 4, Name, pool1) convolution1dLayer(8, 64, Padding, same, Name, conv2) batchNormalizationLayer(Name, bn2) reluLayer(Name, relu2) maxPooling1dLayer(4, Stride, 4, Name, pool2) globalAveragePooling1dLayer(Name, gap) fullyConnectedLayer(5, Name, fc) softmaxLayer(Name, softmax) classificationLayer(Name, output) ];convolution1dLayer(16, 32)里第一个参数是卷积核大小第二个是输出通道数。Padding设为same保证输出时间步和输入一致池化层再降采样。maxPooling1dLayer(4, Stride, 4)表示窗口和步长都是 4时间维度缩小四倍。globalAveragePooling1dLayer把每个通道的时间维压成一个标量替代了展平操作能显著减少全连接层参数量。整个网络的可训练参数大约在 2 万左右在 CPU 上也能几分钟跑完一个 epoch。2.3 输入数据的组织与增强MATLAB 的sequenceInputLayer接受的数据格式是元胞数组每个元胞是一个C×T的矩阵。如果你有 500 个样本就构造一个 500×1 的 cell每个元素是3×2048的 double 矩阵。标签用 categorical 数组。常见做法是先把原始信号做 z-score 归一化再按窗口切分。数据增强方面一维信号可以加高斯噪声、做时间偏移、幅度缩放这些在 MATLAB 里用awgn和circshift就能实现。% 构造训练数据500 个样本每个 3×2048 numSamples 500; XTrain cell(numSamples, 1); for i 1:numSamples raw randn(3, 2048); % 模拟三轴信号 raw (raw - mean(raw, 2)) ./ std(raw, 0, 2); % 逐通道归一化 XTrain{i} raw; end YTrain categorical(randi([1 5], numSamples, 1)); % 5 类标签逐通道归一化用(raw - mean(raw,2)) ./ std(raw,0,2)mean的第二个参数 2 表示沿时间轴求均值这样每个通道独立标准化。标签转成 categorical 后classificationLayer才能正确计算交叉熵。如果样本量少可以把窗口重叠率设到 50%用滑动窗口扩充数据。3. 训练配置、超参调节与常见报错处理3.1 trainingOptions 的关键参数训练配置决定了模型能不能收敛。下面是一组在信号分类任务上比较稳的参数options trainingOptions(adam, ... InitialLearnRate, 1e-3, ... LearnRateSchedule, piecewise, ... LearnRateDropFactor, 0.5, ... LearnRateDropPeriod, 10, ... MaxEpochs, 40, ... MiniBatchSize, 32, ... Shuffle, every-epoch, ... ValidationData, {XVal, YVal}, ... ValidationFrequency, 10, ... L2Regularization, 1e-4, ... Verbose, true, ... Plots, training-progress);InitialLearnRate设 1e-3 是 Adam 的常用起点。LearnRateSchedule选piecewise每 10 个 epoch 学习率乘 0.5避免后期震荡。MiniBatchSize取 32显存不够就降到 16 或 8。L2Regularization加 1e-4 的权重衰减对小数据集能抑制过拟合。ValidationData传入验证集后训练曲线会同时画训练和验证准确率方便判断是否过拟合。3.2 维度不匹配与中文注释乱码MATLAB 做深度学习时报错信息往往不够直白。最常见的两类问题一是输入维度对不上报Expected input to be a 3-by-1-by-2048 array之类这时候检查sequenceInputLayer的通道数是否和 cell 里矩阵的行数一致二是convolution1dLayer的Stride和Padding组合导致某层输出长度变成负数网络构建阶段就会报错。另外MATLAB 2023 在 Windows 上默认编码是 GBK脚本里的中文注释容易乱码可以在脚本开头加feature(DefaultCharacterSet, UTF-8)或者用matlab -batch时指定编码。提示如果训练时 loss 一直是 NaN先检查输入数据里有没有 Inf 或 NaN用any(isnan(XTrain{i}(:)))逐个排查。3.3 用 confusionchart 做分类结果诊断训练完之后光看准确率不够得看每一类的混淆情况。MATLAB 的confusionchart能直接画出混淆矩阵YPred classify(net, XTest, MiniBatchSize, 32); acc mean(YPred YTest); figure; confusionchart(YTest, YPred); title([Test Accuracy: num2str(acc*100, %.2f) %]);classify返回的是 categorical 预测标签和真实标签比较得到准确率。confusionchart的对角线是正确分类非对角线能看出哪两类容易混。如果某一类召回率特别低通常是该类样本太少或者特征和别的类太接近可以考虑加类权重或者增加该类的数据增强。4. 从训练到部署导出模型与推理加速4.1 保存网络并做单样本推理训练好的网络用save存成 mat 文件推理时load回来即可。单样本推理要注意把输入整理成C×1×T的三维数组而不是C×T的矩阵save(trained1dcnn.mat, net); % 单样本推理 load(trained1dcnn.mat, net); sample randn(3, 2048); sample (sample - mean(sample,2)) ./ std(sample,0,2); input3d reshape(sample, [3 1 2048]); % 增加批维度 score predict(net, input3d); [~, idx] max(score); fprintf(预测类别: %d, 置信度: %.4f\n, idx, score(idx));reshape把3×2048变成3×1×2048补上批大小为 1 的维度。predict返回的是 softmax 概率向量max取最大值对应的类别。如果要做批量推理把多个样本拼成3×N×2048的数组一次传入比循环快很多。4.2 用 GPU 和 mini-batch 预测加速如果装了支持的 GPUtrainingOptions里加ExecutionEnvironment, gpu就能自动用 GPU 训练。推理阶段也可以用gpuArray把数据搬到显存if canUseGPU net net.resetState(); % 清空状态 inputGpu gpuArray(input3d); scoreGpu predict(net, inputGpu); score gather(scoreGpu); endcanUseGPU是 MATLAB 内置函数返回逻辑值。gpuArray把数据传到 GPUgather再取回 CPU。对于 1D-CNN 这种小模型GPU 的加速比在批量推理时更明显单样本推理反而可能因为数据传输开销而变慢。4.3 导出为 ONNX 供其他框架调用MATLAB 支持把网络导出成 ONNX 格式方便在 Python 或其他推理引擎里加载exportONNXNetwork(net, 1dcnn_model.onnx);导出后可以用onnxruntime在 Python 里加载输入格式需要转成B×T×C和 MATLAB 的C×B×T不同这一点在跨框架部署时要特别注意。导出前建议先用analyzeNetwork(net)检查一遍网络结构确认没有 MATLAB 特有层导致导出失败。5. 一维卷积的边界什么时候不该用它1D-CNN 在固定长度、局部模式明显的信号上表现很好但它不是万能的。如果信号长度变化很大或者关键信息在长程依赖上纯卷积就不如 LSTM 或 Transformer。另一个容易被忽略的点是感受野堆两层 kernel size 为 16 和 8 的卷积理论感受野只有 23 个时间步对于 2048 点的信号来说覆盖不到全局。常见做法是在卷积后面接一个全局池化或者用空洞卷积扩大感受野。MATLAB 的convolution1dLayer支持DilationFactor参数设成 2 或 4 能在不增加参数量的情况下翻倍感受野。实际调参时先用小 kernel 堆层数再逐步加 dilation比一上来就用大 kernel 更稳。验证方法很简单把测试集里的信号做时间反转如果准确率掉得厉害说明模型学到的是方向相关的局部模式而不是全局统计特征。本文还有配套的精品资源点击获取 MATLAB一维卷积神经网络实战：从振动信号到故障诊断
简介这份资源面向需要处理时间序列、音频信号或文本等一维数据的深度学习初学者与工程人员提供用MATLAB实现一维卷积神经网络1D-CNN的基础网络结构源码帮助理解卷积、池化与分类层的搭建逻辑并可直接用于分类与特征提取任务的入门实践。压缩包为rar格式仅含1个m文件体积约2KB属于轻量级脚本便于快速阅读与二次修改。目前已有4669人学习下载说明该示例在MATLAB深度学习入门群体中具有一定参考价值。代码围绕sequenceInputLayer、convolution1dLayer、reluLayer、maxPooling1dLayer、fullyConnectedLayer、softmaxLayer与classificationLayer等核心层展开覆盖输入、卷积、池化、全连接与分类输出的完整流程并涉及trainNetwork训练、classify预测及准确率评估等关键环节读者可据此掌握滤波器尺寸、池化窗口、步长、迭代轮数等参数的调整思路为后续迁移到自身一维数据任务提供可复用的代码骨架。1. 从振动信号到一维卷积为什么 1D-CNN 值得单独拎出来讲很多人第一次接触 CNN 都是从图像分类开始的二维卷积核在特征图上滑动提取纹理和边缘。但工业场景里大量数据根本不是图像而是振动信号、心电波形、电流时序、传感器采样序列——这些都是一维信号。拿二维卷积去套要么把信号强行 reshape 成方阵要么堆一堆手工特征再喂给 SVM。一维卷积神经网络1D-CNN就是为这类序列数据设计的卷积核只沿时间轴滑动参数量比 2D 少一个量级训练快部署轻。这份CNN0926_一维卷积_matlab1D-CNN资源核心就是用 MATLAB 的 Deep Learning Toolbox 搭一套能跑通的一维卷积流程从数据构造、网络定义到训练和推理。适合手上有信号数据、想快速验证深度学习方案、又不想折腾 Python 环境的工程师。2. MATLAB 里的一维卷积层到底怎么算2.1 一维卷积的数学形式与维度约定一维卷积在离散信号上的定义很直接输出序列的第 $i$ 个位置是输入序列上以 $i$ 为起点、长度为 $K$ 的窗口与卷积核逐元素相乘再求和。用公式写就是 $y[i] \sum_{k0}^{K-1} x[ik] \cdot w[k] b$。MATLAB 的convolution1dLayer默认做的是互相关cross-correlation也就是不翻转卷积核这和深度学习框架里的惯例一致。维度上MATLAB 要求输入格式是C×B×T即通道数×批大小×时间步。这一点和 Python 里常见的B×T×C不同是新手最容易踩的坑。假设你有一条三轴加速度信号采样率 1000 Hz取 2048 个点那么输入层应该声明为[3 1 2048]批大小那一维在定义网络时写 1训练时自动扩展。2.2 用 convolution1dLayer 搭建网络骨架下面这段代码定义了一个四层的一维卷积网络结构是「卷积-批归一化-ReLU-池化」重复两次然后全局平均池化接全连接和 softmax。这个结构在轴承故障诊断、ECG 分类这类任务上是很常见的基线。% 定义一维卷积网络输入为 3 通道、2048 时间步 layers [ sequenceInputLayer(3, MinLength, 2048, Name, input) convolution1dLayer(16, 32, Padding, same, Name, conv1) batchNormalizationLayer(Name, bn1) reluLayer(Name, relu1) maxPooling1dLayer(4, Stride, 4, Name, pool1) convolution1dLayer(8, 64, Padding, same, Name, conv2) batchNormalizationLayer(Name, bn2) reluLayer(Name, relu2) maxPooling1dLayer(4, Stride, 4, Name, pool2) globalAveragePooling1dLayer(Name, gap) fullyConnectedLayer(5, Name, fc) softmaxLayer(Name, softmax) classificationLayer(Name, output) ];convolution1dLayer(16, 32)里第一个参数是卷积核大小第二个是输出通道数。Padding设为same保证输出时间步和输入一致池化层再降采样。maxPooling1dLayer(4, Stride, 4)表示窗口和步长都是 4时间维度缩小四倍。globalAveragePooling1dLayer把每个通道的时间维压成一个标量替代了展平操作能显著减少全连接层参数量。整个网络的可训练参数大约在 2 万左右在 CPU 上也能几分钟跑完一个 epoch。2.3 输入数据的组织与增强MATLAB 的sequenceInputLayer接受的数据格式是元胞数组每个元胞是一个C×T的矩阵。如果你有 500 个样本就构造一个 500×1 的 cell每个元素是3×2048的 double 矩阵。标签用 categorical 数组。常见做法是先把原始信号做 z-score 归一化再按窗口切分。数据增强方面一维信号可以加高斯噪声、做时间偏移、幅度缩放这些在 MATLAB 里用awgn和circshift就能实现。% 构造训练数据500 个样本每个 3×2048 numSamples 500; XTrain cell(numSamples, 1); for i 1:numSamples raw randn(3, 2048); % 模拟三轴信号 raw (raw - mean(raw, 2)) ./ std(raw, 0, 2); % 逐通道归一化 XTrain{i} raw; end YTrain categorical(randi([1 5], numSamples, 1)); % 5 类标签逐通道归一化用(raw - mean(raw,2)) ./ std(raw,0,2)mean的第二个参数 2 表示沿时间轴求均值这样每个通道独立标准化。标签转成 categorical 后classificationLayer才能正确计算交叉熵。如果样本量少可以把窗口重叠率设到 50%用滑动窗口扩充数据。3. 训练配置、超参调节与常见报错处理3.1 trainingOptions 的关键参数训练配置决定了模型能不能收敛。下面是一组在信号分类任务上比较稳的参数options trainingOptions(adam, ... InitialLearnRate, 1e-3, ... LearnRateSchedule, piecewise, ... LearnRateDropFactor, 0.5, ... LearnRateDropPeriod, 10, ... MaxEpochs, 40, ... MiniBatchSize, 32, ... Shuffle, every-epoch, ... ValidationData, {XVal, YVal}, ... ValidationFrequency, 10, ... L2Regularization, 1e-4, ... Verbose, true, ... Plots, training-progress);InitialLearnRate设 1e-3 是 Adam 的常用起点。LearnRateSchedule选piecewise每 10 个 epoch 学习率乘 0.5避免后期震荡。MiniBatchSize取 32显存不够就降到 16 或 8。L2Regularization加 1e-4 的权重衰减对小数据集能抑制过拟合。ValidationData传入验证集后训练曲线会同时画训练和验证准确率方便判断是否过拟合。3.2 维度不匹配与中文注释乱码MATLAB 做深度学习时报错信息往往不够直白。最常见的两类问题一是输入维度对不上报Expected input to be a 3-by-1-by-2048 array之类这时候检查sequenceInputLayer的通道数是否和 cell 里矩阵的行数一致二是convolution1dLayer的Stride和Padding组合导致某层输出长度变成负数网络构建阶段就会报错。另外MATLAB 2023 在 Windows 上默认编码是 GBK脚本里的中文注释容易乱码可以在脚本开头加feature(DefaultCharacterSet, UTF-8)或者用matlab -batch时指定编码。提示如果训练时 loss 一直是 NaN先检查输入数据里有没有 Inf 或 NaN用any(isnan(XTrain{i}(:)))逐个排查。3.3 用 confusionchart 做分类结果诊断训练完之后光看准确率不够得看每一类的混淆情况。MATLAB 的confusionchart能直接画出混淆矩阵YPred classify(net, XTest, MiniBatchSize, 32); acc mean(YPred YTest); figure; confusionchart(YTest, YPred); title([Test Accuracy: num2str(acc*100, %.2f) %]);classify返回的是 categorical 预测标签和真实标签比较得到准确率。confusionchart的对角线是正确分类非对角线能看出哪两类容易混。如果某一类召回率特别低通常是该类样本太少或者特征和别的类太接近可以考虑加类权重或者增加该类的数据增强。4. 从训练到部署导出模型与推理加速4.1 保存网络并做单样本推理训练好的网络用save存成 mat 文件推理时load回来即可。单样本推理要注意把输入整理成C×1×T的三维数组而不是C×T的矩阵save(trained1dcnn.mat, net); % 单样本推理 load(trained1dcnn.mat, net); sample randn(3, 2048); sample (sample - mean(sample,2)) ./ std(sample,0,2); input3d reshape(sample, [3 1 2048]); % 增加批维度 score predict(net, input3d); [~, idx] max(score); fprintf(预测类别: %d, 置信度: %.4f\n, idx, score(idx));reshape把3×2048变成3×1×2048补上批大小为 1 的维度。predict返回的是 softmax 概率向量max取最大值对应的类别。如果要做批量推理把多个样本拼成3×N×2048的数组一次传入比循环快很多。4.2 用 GPU 和 mini-batch 预测加速如果装了支持的 GPUtrainingOptions里加ExecutionEnvironment, gpu就能自动用 GPU 训练。推理阶段也可以用gpuArray把数据搬到显存if canUseGPU net net.resetState(); % 清空状态 inputGpu gpuArray(input3d); scoreGpu predict(net, inputGpu); score gather(scoreGpu); endcanUseGPU是 MATLAB 内置函数返回逻辑值。gpuArray把数据传到 GPUgather再取回 CPU。对于 1D-CNN 这种小模型GPU 的加速比在批量推理时更明显单样本推理反而可能因为数据传输开销而变慢。4.3 导出为 ONNX 供其他框架调用MATLAB 支持把网络导出成 ONNX 格式方便在 Python 或其他推理引擎里加载exportONNXNetwork(net, 1dcnn_model.onnx);导出后可以用onnxruntime在 Python 里加载输入格式需要转成B×T×C和 MATLAB 的C×B×T不同这一点在跨框架部署时要特别注意。导出前建议先用analyzeNetwork(net)检查一遍网络结构确认没有 MATLAB 特有层导致导出失败。5. 一维卷积的边界什么时候不该用它1D-CNN 在固定长度、局部模式明显的信号上表现很好但它不是万能的。如果信号长度变化很大或者关键信息在长程依赖上纯卷积就不如 LSTM 或 Transformer。另一个容易被忽略的点是感受野堆两层 kernel size 为 16 和 8 的卷积理论感受野只有 23 个时间步对于 2048 点的信号来说覆盖不到全局。常见做法是在卷积后面接一个全局池化或者用空洞卷积扩大感受野。MATLAB 的convolution1dLayer支持DilationFactor参数设成 2 或 4 能在不增加参数量的情况下翻倍感受野。实际调参时先用小 kernel 堆层数再逐步加 dilation比一上来就用大 kernel 更稳。验证方法很简单把测试集里的信号做时间反转如果准确率掉得厉害说明模型学到的是方向相关的局部模式而不是全局统计特征。本文还有配套的精品资源点击获取