简介一维卷积神经网络1D CNN常用于时间序列、音频信号与文本数据等一维场景的处理这份源码包正为这类任务提供MATLAB实现范例。压缩包内仅1个m文件大小约2KB无需多余工程配置即可查看运行代码借助Deep Learning Toolbox搭建了sequenceInputLayer、convolution1dLayer、reluLayer、maxPooling1dLayer、fullyConnectedLayer等核心模块形成卷积、池化、全连接到softmax分类的完整网络同时也给出训练数据构造、训练配置、预测分类与准确率计算流程。阅读源码时可以直观了解一维卷积如何通过滤波器提取局部特征、池化层如何保留主要信息并降低维度以及滤波器宽度、数量、池化窗口和步长等超参数如何影响结果。对于课程作业、毕业设计或小型实验而言这是一个可直接运行的起点有经验的开发者也可把代码模板迁移到语音识别、金融时间序列分析、故障诊断或文本分类等项目中作进一步验证和对比。已有4676人学习下载包体虽小结构完整适合快速上手一维CNN。1. 从CNN0926.m说起一维时序数据为什么要用1D CNN一维卷积1D-CNN这几年在时序分类任务里几乎成了默认基线而 CNN0926 这份资源的核心就是 CNN0926.m 这样一个用 MATLAB Deep Learning Toolbox 把 1D CNN 从数据组织到训练评估串起来的脚本。如果你手里正好有一批时间序列、振动信号、语音片段这类长条形数据又不想一上来就上 LSTM 那种参数量大、调起来容易翻车的模型花一下午把这一套跑通是划算的。它的适用人群很明确会一点 MATLAB 基础但没完整搭过 1D CNN需要一份能改、能跑、能看训练曲线的起点代码。这个资源解决的是“怎么把原始一维数组组织成网络能吃的格式”以及“滤波器、池化、全连接各层应该怎么配”这两件事。2. 看懂1D CNN的层结构从卷积核到输出层怎么搭2.1 一维卷积层的工作原理与核心参数第一次打开 CNN0926.m 的人多半会先找卷积层那几行。1D 卷积本质上是一个滑动窗口的加权求和只不过窗口从图像的二维矩阵换成了一维数组。假设输入是长度 L、单通道的一维向量滤波器是一个长度为 filterSize 的权重向量这个向量从数据开头按步长 Stride 往后滑动每滑到一个位置就和窗口内元素做逐元素乘法再把乘积累加成一个标量。滑完整个序列得到的长度就是这组滤波器输出的特征图。每个卷积核相当于一个模式检测器有的核偏重捕捉上升沿有的核偏重捕捉周期性峰值权重是训练中学出来的不需要手工设计。和二维 CNN 不同的是这里没有高和宽两个方向只有时间轴一个方向所以感受野的控制完全靠 filterSize。滤波核越大看到的时间窗口越长但参数也越多滤波核太小又可能只看见局部噪声提不出有意义的周期特征。在 MATLAB 里定义一个卷积层非常直接convLayer1 convolution1dLayer(5, 32, Padding, same, Stride, 1, Name, conv1);这一行的意思是创建 32 个卷积核每个核的长度是 5。Padding, same 表示序列两端补零让输出长度和输入保持一致这样后面接池化层时不容易算错维度Stride, 1 表示每次滑动一步。Name 字段便于后续在深度网络中引用该层输出排查报错时会方便很多。卷积层输出长度的计算规则值得单独记一笔不补零时输出长度约等于floor((L - filterSize) / Stride 1)用了same之后输出长度基本保持 L。这个公式在后续拼接池化层和全连接层时特别有用我一般会把它写在代码注释里因为第 4 章会提到的好几个维度报错都源于这里。参数常见取值我的习惯filterSize3 ~ 9奇数居多先试 5再试 3 和 7numFilters16、32、64从 16 起步层数加深再加倍Stride1默认 1很少用 2Paddingsame / causal时序分类多用 same2.2 池化层、激活层与输出层的配合卷积层提取出来的特征图通常还太长、对位置太敏感。池化层的作用是在一个小窗口内做“取最大”或“求平均”的下采样把相邻区域合并成一个值既降低了后续全连接层的计算量又让模型对小幅平移不那么敏感。常见写法是窗口大小 2、步长 2特征图长度直接减半poolLayer1 maxPooling1dLayer(2, Stride, 2, Name, pool1);最大池化保留窗口里的最大值擅长保留信号中明显的峰值和突变平均池化把窗口内数值平均对平稳变化的信号更平滑。对于振动信号、生理信号这类带尖峰的数据我一般优先用最大池化如果是平滑的趋势型数据平均池化会更稳。激活层是卷积和池化之间必不可少的一环。卷积本身是线性加权求和如果没有非线性激活函数堆多少层都等价于一层线性变换。1D CNN 里最常用的还是reluLayer计算快梯度消失问题也轻。输出部分则是fullyConnectedLayer加softmaxLayer最后接一个classificationLayer来做分类决策。多分类任务里softmax 会把输出变成每个类别的概率概率和正好为 1。整套网络结构通常长这样输入层 → 卷积 → ReLU → 池化 → 再卷积 → ReLU → 再池化 → 全连接 → softmax → 分类层。两组卷积池化已经能覆盖大多数时序分类任务CNN0926.m 里这类结构很常见。我见过不少项目额外在池化层后面加一个 Dropout 层来防过拟合尤其当训练样本只有几百条的时候效果立竿见影。为什么这种结构比直接用 LSTM 或全连接网络更合适核心在于两点一是参数量1D CNN 的卷积核是共享的同样感受野下参数比 LSTM 少一个量级小数据集上不容易过拟合二是训练稳定性LSTM 对学习率和梯度裁剪都很敏感而 1D CNN 在同等 batch size 下收敛路径平滑得多。对于长度几百到几千、特征以局部模式为主的一维信号1D CNN 往往比 LSTM 更容易得到可复现的基线结果。3. 用MATLAB把1D-CNN跑起来数据组织、网络搭建与训练评估3.1 数据组织与输入层cell数组和维度先说清楚用 MATLAB 训练 1D CNN最容易在第一行代码就卡住训练数据不是简单丢一个矩阵进去而是要以 cell 数组形式组织。通常要求训练集是一个1 × N的 cell每个 cell 内存一个样本样本本身是C × S的矩阵C 是通道数单通道时 C1S 是该样本的时间步长度。与之对应的标签是 categorical 类型顺序和 cell 一一对应。N 个样本的 S 长度不要求完全一致但在接入全连接层时如果各样本长度差异太大网络内部维度会变得很别扭。我一般会先做固定长度截断或补齐让所有样本统一到同一个 S省下后面一堆维度报错。下面这段是快速验证用的 demo 数据生成代码模拟两类不同频率的一维正弦信号并叠加噪声跑通了再替换成你自己的传感器数据或语音数据numTrain 160; % 训练样本数 numTest 40; % 测试样本数 numTimeSteps 512; % 每个样本固定为512步 XTrain cell(1, numTrain); XTest cell(1, numTest); % 前半段生成类别A低频正弦 噪声 for i 1:numTrain/2 t (1:numTimeSteps); xt sin(2*pi*5*t/numTimeSteps) 0.2*randn(numTimeSteps, 1); XTrain{i} reshape(xt, 1, numTimeSteps); end % 后半段生成类别B高频正弦 噪声 for i numTrain/21:numTrain t (1:numTimeSteps); xt sin(2*pi*20*t/numTimeSteps) 0.2*randn(numTimeSteps, 1); XTrain{i} reshape(xt, 1, numTimeSteps); end % 标签前80个为A后80个为B YTrain categorical([repmat(A, 1, numTrain/2), repmat(B, 1, numTrain/2)]);这段代码里reshape(xt, 1, numTimeSteps)把列向量变成 1×512 的行向量代表单通道 512 个时间步。如果你有多个传感器通道就把这行改成reshape(xt, C, numTimeSteps)C 是通道数同时在下一节的输入层把sequenceInputLayer(1)改成sequenceInputLayer(C)。测试集的组织方式完全一样构造 XTest 和 YTest 时把样本数换成 numTest 即可。一个常见做法是先用randperm打乱样本顺序避免训练时类别顺序过于规律我为了展示方便这里按类别分段排布实际使用时建议洗牌。3.2 搭建网络、训练与分类评估数据就绪后搭建网络就是按顺序堆层。CNN0926.m 的骨干流程和下面这段一致先一个序列输入层再接两组卷积池化最后全连接加 softmax 分类。layers [ sequenceInputLayer(1) % 单通道输入 convolution1dLayer(5, 16, Padding, same) % 16个核核长5 reluLayer maxPooling1dLayer(2, Stride, 2) % 长度减半 convolution1dLayer(3, 32, Padding, same) % 第二层32个核 reluLayer maxPooling1dLayer(2, Stride, 2) % 长度再减半 fullyConnectedLayer(2) % 两类分类 softmaxLayer classificationLayer ];sequenceInputLayer(1)里的 1 表示每个时间步只有一个特征值即单通道。楼层与楼层之间的维度衔接MATLAB 会根据数据自动推断但前提是卷积层和池化层的尺寸不出错。fullyConnectedLayer(2)的 2 对应类别数这里只有 A、B 两类如果你的任务是五分类就改成 5。训练选项是调参的主战场options trainingOptions(adam, ... MiniBatchSize, 16, ... % 每个batch放16个样本 MaxEpochs, 30, ... % 最多训练30轮 InitialLearnRate, 1e-3, ... % 初始学习率 ValidationData, {XTest, YTest}, ... % 边训练边验证 OutputNetwork, best-validation, ... % 保存验证准确率最好的模型 Plots, training-progress, ... % 实时画出训练曲线 Verbose, false); net trainNetwork(XTrain, YTrain, layers, options);MiniBatchSize决定每次反向传播用多少个样本太小梯度震荡明显太大又费内存且容易陷入局部极值。InitialLearnRate是另一个关键参数1e-3 是 Adam 优化器比较稳妥的起点。OutputNetwork, best-validation 会在训练过程中自动保留验证集上表现最好的那一次模型这在后面做早停和交叉验证时非常有用。训练完成后评估代码也非常简短YPred classify(net, XTest); acc mean(YPred YTest); fprintf(Test accuracy: %.2f%%\n, acc * 100); cm confusionchart(YTest, YPred);classify返回每个测试样本的预测标签mean(YPred YTest)算出整体准确率。confusionchart会画一张混淆矩阵图能直观看到模型到底把哪个类别分错了。如果你的 MATLAB 版本较老没有这个函数用plotconfusion(YTest, YPred)效果类似。到这里一套完整的最小可运行 1D-CNN 流程已经闭环了组织数据 → 定义层 → 配置训练选项 → 训练 → 评估。接下来要聊的是真正花时间的部分参数怎么调以及报错之后怎么定位。4. 参数调优与MATLAB实现中的避坑排查4.1 关键参数的影响与调参顺序很多第一次跑 1D CNN 的人拿到源码就急着改网络层数结果模型要么不收敛要么过拟合。我的建议是先固定一个 2 组卷积池化的基础结构只调三个参数filterSize、numFilters、MiniBatchSize。filterSize 影响感受野宽度。对周期信号而言滤波器长度至少要能覆盖一个完整周期的大半才能捕捉到周期特征。如果数据采样率是 1000Hz目标频率大约 10Hz一个周期是 100 个采样点filterSize 最佳起点可以放到 11 或 21而不是默认的 5。但要注意filterSize 过大容易把噪声一起卷进来尤其是在信噪比不高的数据上表现为训练集准确率很高、验证集却忽高忽低。numFilters 影响特征提取的宽度。常见做法是第一层 16、第二层 32如果数据量大且类别复杂可以翻倍到 32 和 64。numFilters 从 16 加到 64训练时间大约线性增长但准确率并不会一直线性上升超过数据复杂度所需的宽度后模型只是白白记住噪声。MiniBatchSize 的影响则更微妙批量太小梯度噪声大批量太大训练慢且内存压力大16 到 64 之间通常是 1D-CNN 在中小型数据集上的甜蜜区。过拟合是这类小模型最常遇到的问题表现是训练集准确率接近 100%验证集卡在某个值上不动。除了调小网络宽度另一个立竿见影的手段是在池化层后面加 DropoutdropoutLayer(0.3)这行代码会以 30% 的概率随机丢弃上一层输出破坏神经元之间的共适应等效于在训练时同时训练多个子网络。我一般会把 Dropout 放在最后一组池化层之后、全连接层之前这样对特征表达的影响最小。网络结构确定后调参顺序不要乱来。先固定学习率 1e-3 和小批量 32把 filterSize 和 numFilters 确定下来然后跑一轮训练看损失曲线是否平滑下降最后再动学习率和正则化。这样每一步的可控性最强不会出现同时改了好几个参数、出错后根本不知道是哪个引起的尴尬局面。4.2 常见报错与处理方案现象、原因、解决下面五条是我在 MATLAB 里把 1D-CNN 从别人手里接过来再改造成自己的数据时反复踩过的问题。每条都按“现象 → 原因 → 解决”梳理遇到类似报错可以直接对号入座。1. Invalid training data训练数据格式不合法现象trainNetwork一执行就报错提示训练数据必须是 cell 数组或维度不一致。原因XTrain 不是1×N的 cell或者 cell 里每个矩阵不是C×S的格式有时是直接把普通矩阵丢进去了。解决检查class(XTrain)是不是cell再检查XTrain{1}的维度是否为1×512。常见做法是写一小段断言代码例如assert(iscell(XTrain))让错误在第一步就暴露出来。2. 卷积输出长度与后续层不匹配维度报错现象训练过程中报“层输入尺寸不匹配”之类的错误提示某个卷积层输出长度和池化层或全连接层的期望不一致。原因没有使用Padding, same或者 Stride 设置导致输出长度不断收缩最后全连接层输入特征数对不上。解决先手工计算每个池化层之后的理论长度512 → 256 → 128看看最后全连接层的输入维度是否符合预期如果懒得算就把所有卷积层都加上Padding, same。注意MATLAB 的 fullyConnectedLayer 会自动把前面的特征图展平不需要手动写 flatten 层但前提是前面的输出长度是确定的。3. GPU 内存不足或者训练速度慢到无法接受现象报错提示 CUDA out of memory或者一个 epoch 要跑好几分钟。原因MiniBatchSize 太大或者输入序列过长、网络太宽。解决先把MiniBatchSize降到 8 或 16如果还不行检查输入序列长度是否可以从 1024 裁剪到 512。我一般会在预处理阶段就统计序列长度分布把过长样本直接截断而不是硬扛。4. 训练损失震荡验证准确率迟迟不升现象训练曲线像锯齿一样上下跳损失不下降甚至上升。原因学习率偏高或者输入数据没有做标准化。一维信号原始幅值范围可能是 0 到 10000网络很难在这种尺度下稳定学习。解决先对每个样本做标准化常见做法是减去均值除以标准差或者缩放到 0 到 1 之间再把InitialLearnRate降到 1e-4 试一轮。5. 测试集预测结果全部落在同一个类别现象训练时准确率看着还行但classify测试后所有样本都被预测成某一类。原因类别标签顺序和训练数据顺序错位或者fullyConnectedLayer的输出节点数和类别数不一致。解决检查YTrain里各类别是否真的与XTrain对应并确认length(unique(YTrain))等于fullyConnectedLayer的节点数。还有一个容易被忽略的点如果数据按类别顺序排列且没有洗牌且MiniBatchSize碰巧等于某类样本数也可能导致训练偏置。5. 让验证结果不再随机的习惯早停、交叉验证与固定随机种子单次切分训练集和测试集跑出来的准确率在小数据集上经常是不可信的。换一次随机划分准确率可能从 92% 掉到 84%差别全来自运气。所以我现在在把 1D-CNN 结果拿出去之前都会强制跑一遍交叉验证。交叉验证把数据切成 K 折每一折轮流做验证集最后看平均准确率和标准差标准差越小说明模型越稳定。MATLAB 里用cvpartition实现 K 折非常方便固定随机种子后结果还能完全复现rng(2024); % 固定随机种子保证可复现 cvp cvpartition(YTrain, KFold, 5); accFold zeros(cvp.NumTestSets, 1); for k 1:cvp.NumTestSets idxTrain training(cvp, k); % 第k折的训练索引 idxVal test(cvp, k); % 第k折的验证索引 options trainingOptions(adam, ... MiniBatchSize, 16, ... MaxEpochs, 20, ... ValidationData, {XTrain(idxVal), YTrain(idxVal)}, ... OutputNetwork, best-validation, ... Plots, none, ... Verbose, false); netFold trainNetwork(XTrain(idxTrain), YTrain(idxTrain), layers, options); accFold(k) mean(classify(netFold, XTrain(idxVal)) YTrain(idxVal)); end fprintf(Mean accuracy: %.3f (±%.3f)\n, mean(accFold), std(accFold));这段代码里training(cvp, k)和test(cvp, k)返回的是 logical 索引可以直接用来索引 cell 数组和 categorical 数组不需要手动维护索引列表。每一折都用OutputNetwork, best-validation相当于在验证集上做了早停只保留最好的那一次迭代结果。交叉验证之间还有两个容易忽略的小细节。一个是rng(2024)放在最前面确保每次跑出来的结果一致否则同一份代码两次运行可能得出两个结论。另一个是Plots, none关掉训练图不然交叉验证的每一折都会弹出一个窗口几轮下来桌面就全是图了。等交叉验证确认模型整体稳定后再单独打开Plots, training-progress观察单次训练的收敛曲线。实践下来K 折交叉验证并不需要全部折都收敛完美只看两个指标平均准确率是否达到预期标准差是否控制在两三个百分点以内。如果标准差偏大说明模型对数据划分太敏感这时候优先加 Dropout 或者降低 numFilters而不是继续调学习率。从那以后我每次调 1D-CNN 都强制走一遍这套流程固定随机种子 → 交叉验证看稳定性 → 稳定后再用全量训练做最终模型。拿结果给别人的时候也更有底气至少敢说这个准确率不是运气好碰出来的。希望帮到你。本文还有配套的精品资源点击获取