多模型统一导出 t-SNE 可视化数据的工程实践（1DCNN / DAN / DNN / DRN / Transformer）
一、写在前面：为什么要"统一导出 t-SNE 数据"
在深度学习故障识别与特征分析中，t-SNE 可视化是最常用的手段之一，用于直观展示：
- 不同类别样本在特征空间中的聚类情况；
- 不同模型特征提取能力的差异；
- 真实标签与预测标签下特征分布的一致性或偏差。
但在实际工程中，随着模型数量增多（如 1DCNN、DAN、DNN、DRN、Transformer、SNN 等），如果每个模型单独随意写一段 t-SNE 代码，后期会面临：
- 文件命名混乱；
- 特征层含义不统一；
- 可视化结果难以横向对比；
- 论文作图时重复返工。
因此，我在实验中采用了**"统一导出 t-SNE 数据 → Excel 保存 → 后处理绘图"**的方式，对不同模型的特征与预测结果进行规范化整理。
二、整体设计思路
所有模型的 t-SNE 导出逻辑统一遵循 两类数据：
（1）特征层 t-SNE（按真实标签）
用于分析模型特征提取能力：
text
原始输入 → 特征层输出 → t-SNE → Class = Y_test（2）预测结果 t-SNE（按预测标签）
用于分析模型判别边界与误分类情况：
text
预测结果 XY → t-SNE → Class = y_pred最终统一导出为 Excel 文件，便于：
- Python / MATLAB / Origin / Excel 作图；
- 论文中统一配色与版式；
- 多模型对比分析。
三、1DCNN-SNN 模型的 t-SNE 导出示例
1️⃣ 特征层输出（真实标签）
python
tsne = TSNE(n_components=2, perplexity=30, random_state=42)
X_tsne = tsne.fit_transform(features_test.numpy())
tsne_df = pd.DataFrame(X_tsne, columns=['t-SNE Feature 1', 't-SNE Feature 2'])
tsne_df['Class'] = Y_test.numpy()
tsne_df.to_excel('./1DCNN-SNN预测图表/tSNE_features.xlsx', index=False)2️⃣ 预测结果 t-SNE（预测标签）
python
xy_data = pd.read_excel('./1DCNN-SNN预测图表/预测-XY.xlsx').values
tsne2 = TSNE(n_components=2, perplexity=30, random_state=42)
X_tsne2 = tsne2.fit_transform(xy_data[:, :-1])
tsne2_df = pd.DataFrame(X_tsne2, columns=['t-SNE Feature 1', 't-SNE Feature 2'])
tsne2_df['Class'] = xy_data[:, -1]
tsne2_df.to_excel('./1DCNN-SNN预测图表/tSNE_predicted_XY.xlsx', index=False)四、标准 1DCNN 模型（Flatten 特征）
与 SNN 不同，标准 1DCNN 更关注 Flatten 后的高维特征表示。
python
tsne = TSNE(n_components=2, perplexity=30, random_state=42)
X_tsne = tsne.fit_transform(features_test.numpy())
tsne_df = pd.DataFrame(X_tsne, columns=['t-SNE Feature 1', 't-SNE Feature 2'])
tsne_df['Class'] = Y_test.numpy()
tsne_df.to_excel('./1DCNN预测图表/tSNE_flatten_features.xlsx', index=False)预测-XY 部分与前述方法完全一致，仅目录不同。
五、DAN 模型（编码特征）
DAN（Deep Autoencoder Network）通常分析编码器输出特征：
python
tsne = TSNE(n_components=2, perplexity=30, random_state=42)
X_tsne = tsne.fit_transform(encoded_features.numpy())
tsne_df = pd.DataFrame(X_tsne, columns=['t-SNE Feature 1', 't-SNE Feature 2'])
tsne_df['Class'] = Y_test.numpy()
tsne_df.to_excel('./DAN预测图表/tSNE_encoded_features.xlsx', index=False)六、DNN 模型（隐藏层特征）
对于 DNN，更有意义的是分析倒数隐藏层输出：
python
_, test_features_output = model(X_test)
tsne = TSNE(n_components=2, perplexity=30, random_state=42)
X_tsne = tsne.fit_transform(test_features_output.detach().numpy())
tsne_df = pd.DataFrame(X_tsne, columns=['t-SNE Feature 1', 't-SNE Feature 2'])
tsne_df['Class'] = Y_test.numpy()
tsne_df.to_excel('./DNN预测图表/tSNE_hidden_features.xlsx', index=False)七、DRN 模型（特征层输出）
DRN（深度残差网络）同样遵循统一接口：
python
tsne = TSNE(n_components=2, perplexity=30, random_state=42)
X_tsne = tsne.fit_transform(features_test.numpy())
tsne_df = pd.DataFrame(X_tsne, columns=['t-SNE Feature 1', 't-SNE Feature 2'])
tsne_df['Class'] = Y_test.numpy()
tsne_df.to_excel('./DRN预测图表/tSNE_features.xlsx', index=False)八、Transformer 模型（真实 / 预测双视角）
Transformer 模型中，编码器隐藏特征尤为重要，因此分别导出：
1️⃣ 按真实标签
python
tsne = TSNE(n_components=2, init='pca', random_state=0)
x_feature_tsne = tsne.fit_transform(x_feature.cpu().numpy())
tsne_hidden_df = pd.DataFrame(
x_feature_tsne,
columns=['t-SNE Feature 1', 't-SNE Feature 2']
)
tsne_hidden_df['Class'] = Y_test.cpu().numpy()
tsne_hidden_df.to_excel('./Transformer预测图表/tSNE_hidden_features.xlsx', index=False)2️⃣ 按预测标签
python
tsne2 = TSNE(n_components=2, init='pca', random_state=0)
x_feature_tsne_pred = tsne2.fit_transform(x_feature.cpu().numpy())
tsne_pred_df = pd.DataFrame(
x_feature_tsne_pred,
columns=['t-SNE Feature 1', 't-SNE Feature 2']
)
tsne_pred_df['Class'] = y_pred_test_label.cpu().numpy()
tsne_pred_df.to_excel('./Transformer预测图表/tSNE_predicted_XY.xlsx', index=False)九、结语
需要说明的是，本文中涉及的 1DCNN、DAN、DNN、DRN、Transformer 等深度学习方法仅作为模型名称出现，用于区分不同特征提取结构下的 t-SNE 可视化结果。具体网络结构、训练流程及实现代码需根据实际任务自行编写或参考原始文献，本文未给出完整模型实现。
本文的重点在于如何在多模型对比实验中，统一整理并导出各类特征层与预测结果的 t-SNE 数据，以便于后续可视化分析和论文作图。相关代码主要用于展示 t-SNE 数据整理思路，而非深度学习模型的复现示例。