分類預測 | Matlab實現CNN-LSTM-Attention高光譜數據分類

分類效果

功能概述

代碼功能
該MATLAB代碼實現了一個結合CNN、LSTM和注意力機制的高光譜數據分類模型，核心功能如下：

數據預處理

固定劃分訓練集（前705條）和測試集

特征歸一化（mapminmax到[-1,1]區間）

數據重塑為LSTM所需的序列格式（num_dim×1×1的單元數組）

混合模型架構

核心模塊

CNN模塊：2個卷積層（32/64個濾波器）+ BN + ReLU + 最大池化

LSTM+Attention：128單元LSTM → 多頭自注意力層（4頭,16鍵維度）→ Dropout(0.3)

分類頭：全連接層 + Softmax

訓練與評估

優化器：Adam（初始LR=0.001，分段衰減）

正則化：L2(0.001) + Dropout

評估指標：準確率 + 混淆矩陣 + 預測對比圖

特征可視化：t-SNE降維（優化perplexity/lr）

創新可視化

注意力層特征提取 → PCA(50) → t-SNE(2D)

參數網格搜索（perplexity=195, lr=270）

綜合評分 = 0.7×輪廓系數 + 0.3×中心聚集度

---

技術亮點
混合架構優勢

CNN提取局部空間特征 → LSTM捕獲時序依賴 → 注意力聚焦關鍵波段

防過擬合設計

Dropout(0.3) + L2正則化 + 早停機制（驗證集監控）

可視化創新

動態參數優化：自動選擇最佳t-SNE參數組合

綜合評分指標：結合聚類質量（輪廓系數）和特征緊密度（中心聚集）

工程實踐

數據泄露防護：使用訓練集歸一化參數處理測試集

可重復性：rng(0)固定隨機種子

高效特征提取：activations()直接獲取注意力層輸出

高光譜數據預處理

MSC (Multiplicative Scatter Correction) 是高光譜數據預處理的核心技術（Matlab代碼不含此功能），主要用于消除光散射效應：

程序設計

• 完整程序和數據私信博主回復Matlab實現CNN-LSTM-Attention高光譜數據分類。

.rtcContent { padding: 30px; } .lineNode {font-size: 10pt; font-family: Menlo, Monaco, Consolas, "Courier New", monospace; font-style: normal; font-weight: normal; }
%%  清空環境變量
warning off             % 關閉報警信息
close all               % 關閉開啟的圖窗
clear                   % 清空變量
clc                     % 清空命令行
rng('default');
%% 導入數據
res = xlsread('data.xlsx'); 
.rtcContent { padding: 30px; } .lineNode {font-size: 10pt; font-family: Menlo, Monaco, Consolas, "Courier New", monospace; font-style: normal; font-weight: normal; }
%% 網絡架構
layers = [sequenceInputLayer([num_dim 1 1], 'Name','input')sequenceFoldingLayer('Name','fold')% ============== CNN模塊 ==============convolution2dLayer([3 1],32, 'Padding','same', 'Name','conv1')batchNormalizationLayer('Name','bn1')reluLayer('Name','relu1')maxPooling2dLayer([2 1], 'Padding','same', 'Name','pool1')convolution2dLayer([3 1],64, 'Padding','same', 'Name','conv2')batchNormalizationLayer('Name','bn2')reluLayer('Name','relu2')maxPooling2dLayer([2 1], 'Padding','same', 'Name','pool2')% ====================================sequenceUnfoldingLayer('Name','unfold')flattenLayer('Name','flatten')% ========== LSTM+注意力模塊 ==========lstmLayer(128, 'OutputMode','last', 'Name','lstm')  selfAttentionLayer(4,16, 'Name','attention')       dropoutLayer(0.3, 'Name','dropout')% ====================================, x, refValue_norm); % 調用SHAP函數
end

參考資料

[1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128690229