【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。
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
matlab
%% 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')
batchNormalizationLayer
reluLayer
flattenLayer('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')
batchNormalizationLayer
reluLayer
maxPooling2dLayer([2 1],'Stride',2,'Name','pool2')
convolution2dLayer([3 1],32,'Padding','same','Name','conv2_2')
batchNormalizationLayer
reluLayer
flattenLayer('Name','flatten2')];
% 分类头部
fullConn = [
fullyConnectedLayer(64, 'Name', 'fc') % 全连接层
reluLayer
dropoutLayer(0.5) % 随机失活防止过拟合
fullyConnectedLayer(numel(categories(t_train))) % 输出层（类别数）
softmaxLayer
classificationLayer]; % 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)
三、代码获取
1.阅读首页置顶文章
2.关注CSDN
3.根据自动回复消息，回复"118期"以及相应指令，即可获取对应下载方式。