一、高光谱数据集简介
1.1 数据集简介
数据集链接在这:高光谱数据集(.mat.csv)-科研学术
数据集包含下面三个文件：
文件中包含.mat与.csv,145x145x220,
其实主要使用avirissub.csv文件，在代码上只是将mat文件转成了csv文件。具体avirissub.csv如下：145x145x220,每行代表一个数据，每行前220列代表特征，最后一列代表标签值，共17类标签。
1.2.软件环境与配置：
安装TensorFlow2.12.0版本。指令如下：
pip install tensorflow==2.12.0
这个版本最关键，其他库，以此安装即可。
二、基线模型实现：
该代码旨在通过构建和训练卷积神经网络（CNN）模型来进行分类任务。下面是代码的详细解释和网络模型结构的说明：
2.1. 环境设置和数据加载
import pandas as pd
from tensorflow import keras
from tensorflow.keras.layers import Dense, Dropout, Conv1D, MaxPooling1D, Flatten
from tensorflow.keras.models import Sequential
from tensorflow.keras import optimizers
from sklearn.model_selection import train_test_split
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.callbacks import ModelCheckpoint, ReduceLROnPlateau
from keras.utils import np_utils
import scipy.io as sio
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
np.random.seed(42)
num_epoch = []
result_mean = []
result_std_y = []
result_std_w = []
- 引入所需库，包括Pandas、TensorFlow、Keras、Scipy等。
- 设置环境变量以使用指定的GPU设备。
- 设置随机种子以确保结果可重现。
2.2. 数据加载和预处理
data = sio.loadmat('D:/python_test/data/avirissub.mat')
data_L = sio.loadmat('D:/python_test/data/avirissub_gt.mat')
print(sio.whosmat('D:/python_test/data/avirissub.mat'))
print(sio.whosmat('D:/python_test/data/avirissub_gt.mat'))
data_D = data['x92AV3C']
data_L = data_L['x92AV3C_gt']
data_D_flat = data_D.reshape(-1, data_D.shape[-1])
print(data_D_flat.shape)
data_combined = pd.DataFrame(data_D_flat)
data_combined['label'] = data_L.flatten()
data_combined.to_csv('D:/python_test/data/avirissub.csv', index=False, header=False)
data = pd.read_csv('D:/python_test/data/avirissub.csv', header=None)
data = data.values
data_D = data[:, :-1]
data_L = data[:, -1]
print(data_D.shape)
data_D = data_D / np.max(np.max(data_D))
data_D_F = data_D / np.max(np.max(data_D))
data_train, data_test, label_train, label_test = train_test_split(data_D_F, data_L, test_size=0.8, random_state=42, stratify=data_L)
data_train = data_train.reshape(data_train.shape[0], data_train.shape[1], 1)
data_test = data_test.reshape(data_test.shape[0], data_test.shape[1], 1)
print(np.unique(label_train))
label_train = np_utils.to_categorical(label_train, None)
label_test = np_utils.to_categorical(label_test, None)
- 加载数据和标签，查看文件中的键和形状。
- 数据预处理：将多维数据展平成二维数组，合并数据和标签，保存为CSV文件，并从CSV文件中读取数据。
- 对特征数据进行归一化。
- 划分训练集和测试集，并调整数据形状以与Conv1D层兼容。
- 对标签数据进行独热编码。
2.3. 定义卷积神经网络模型
def CNN(num):
result = []
num_epoch.append(num)
for i in range(3):
time_S = time.time()
model = Sequential()
model.add(Conv1D(filters=6, kernel_size=8, input_shape=inputShape, activation='relu', name='spec_conv1'))
model.add(MaxPooling1D(pool_size=2, name='spec_pool1'))
model.add(Conv1D(filters=12, kernel_size=7, activation='relu', name='spec_conv2'))
model.add(MaxPooling1D(pool_size=2, name='spec_pool2'))
model.add(Conv1D(filters=24, kernel_size=8, activation='relu', name='spec_conv3'))
model.add(MaxPooling1D(pool_size=2, name='spec_pool3'))
model.add(Flatten(name='spe_fla'))
model.add(Dense(256, activation='relu', name='spe_De'))
model.add(Dense(17, activation='softmax'))
adam = optimizers.Adam(learning_rate=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-8)
model.compile(loss='categorical_crossentropy', optimizer=adam, metrics=['accuracy'])
filepath = "../model/model_spe(5%).h5"
checkpointer = ModelCheckpoint(filepath, monitor='val_acc', save_weights_only=False, mode='max', save_best_only=True, verbose=0)
callback = [checkpointer]
reduce_lr = ReduceLROnPlateau(monitor='val_acc', factor=0.9, patience=10, verbose=0, mode='auto', epsilon=0.000001, cooldown=0, min_lr=0)
history = model.fit(data_train, label_train, epochs=num, batch_size=5, shuffle=True, validation_split=0.1, verbose=0)
scores = model.evaluate(data_test, label_test, verbose=0)
print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1] * 100))
result.append(scores[1] * 100)
time_E = time.time()
print("costTime:", time_E - time_S, 's')
print(result)
result_mean.append(np.mean(result))
print("均值是：%.4f" % np.mean(result))
result_std_y.append(np.std(result))
print("标准差(有偏）是：%.4f" % np.std(result))
result_std_w.append(np.std(result, ddof=1))
print("标准差(无偏）是：%.4f" % np.std(result, ddof=1))
- 定义CNN函数，构建并训练卷积神经网络模型。
- 网络模型结构包括：
Conv1D层：一维卷积层，用于提取特征。共三个卷积层，每层有不同的过滤器数量和卷积核大小。MaxPooling1D层：最大池化层，用于下采样。每个卷积层后都有一个池化层。Flatten层：将多维特征图展平成一维。Dense层：全连接层，包含256个神经元，激活函数为ReLU。- 最后一层
Dense层：输出层，包含17个神经元，对应17个类别，激活函数为Softmax。
2.4. 模型训练和评估
if __name__ == '__main__':
CNN(5)
- 调用CNN函数并设置迭代次数为5。
完整的基线模型版本代码如下
：
from __future__ import print_function
import pandas as pd
from tensorflow import keras
from tensorflow.keras.layers import Dense, Dropout, Conv1D, MaxPooling1D, Flatten
from tensorflow.keras.models import Sequential
from tensorflow.keras import optimizers
from sklearn.model_selection import train_test_split
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.keras.callbacks import ModelCheckpoint, ReduceLROnPlateau
from keras.utils import np_utils
import scipy.io as sio
import os
# 设置环境变量，指定使用的 GPU 设备
os.environ["CUDA_VISIBLE_DEVICES"] = "0"
# 设置随机种子以便实验结果可重现
np.random.seed(42)
# 初始化存储结果的列表
num_epoch = []
result_mean = []
result_std_y = []
result_std_w = []
# 加载数据
data = sio.loadmat('D:/python_test/data/avirissub.mat') # 加载数据
data_L = sio.loadmat('D:/python_test/data/avirissub_gt.mat') # 加载标签
# 查看.mat文件中包含的键和它们的形状
print(sio.whosmat('D:/python_test/data/avirissub.mat'))
print(sio.whosmat('D:/python_test/data/avirissub_gt.mat'))
# 提取数据和标签
data_D = data['x92AV3C']
data_L = data_L['x92AV3C_gt']
# 将多维数据展平成二维数组
data_D_flat = data_D.reshape(-1, data_D.shape[-1])
print(data_D_flat.shape)
# 将数据和标签合并
data_combined = pd.DataFrame(data_D_flat)
data_combined['label'] = data_L.flatten()
# 保存为.csv文件
data_combined.to_csv('D:/python_test/data/avirissub.csv', index=False, header=False)
# 从 CSV 文件中读取数据
data = pd.read_csv('D:/python_test/data/avirissub.csv', header=None) # 14 类可以用于分类
data = data.values
data_D = data[:, :-1] # 提取特征 提取了 data 矩阵的所有行和除了最后一列之外的所有列，这就是特征数据。
data_L = data[:, -1] # 提取标签 提取了 data 矩阵的所有行的最后一列，这就是标签数据
print(data_D.shape) # 打印特征数据的形状
# 对特征数据进行归一化
data_D = data_D / np.max(np.max(data_D))
data_D_F = data_D / np.max(np.max(data_D))
# 将数据划分为训练集和测试集
data_train, data_test, label_train, label_test = train_test_split(data_D_F, data_L, test_size=0.8, random_state=42,
stratify=data_L)
# 将数据重新调整为与 Conv1D 层兼容的形状
data_train = data_train.reshape(data_train.shape[0], data_train.shape[1], 1)
data_test = data_test.reshape(data_test.shape[0], data_test.shape[1], 1)
# 打印标签数据的唯一值，确保它们的范围是正确的
print(np.unique(label_train))
# 根据类来自动定义独热编码
label_train = np_utils.to_categorical(label_train, None)
label_test = np_utils.to_categorical(label_test, None)
inputShape = data_train[0].shape # 输入形状
import time
def CNN(num):
result = []
num_epoch.append(num)
# for i in range(50):
for i in range(3):
time_S = time.time()
model = Sequential()
# 定义模型结构
model.add(Conv1D(filters=6, kernel_size=8, input_shape=inputShape, activation='relu', name='spec_conv1'))
model.add(MaxPooling1D(pool_size=2, name='spec_pool1'))
#
model.add(Conv1D(filters=12, kernel_size=7, activation='relu', name='spec_conv2'))
model.add(MaxPooling1D(pool_size=2, name='spec_pool2'))
#
model.add(Conv1D(filters=24, kernel_size=8, activation='relu', name='spec_conv3'))
model.add(MaxPooling1D(pool_size=2, name='spec_pool3'))
# model.add(Conv1D(filters=48, kernel_size=10, activation='relu', name='spec_conv4'))
# model.add(MaxPooling1D(pool_size=2, name='spec_pool4'))
model.add(Flatten(name='spe_fla'))
model.add(Dense(256, activation='relu', name='spe_De'))
# model.add(Dropout(0.5,name = 'drop'))
model.add(Dense(17, activation='softmax'))
# 设置优化器和损失函数，并编译模型
adam = optimizers.Adam(learning_rate=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-8)
model.compile(loss='categorical_crossentropy', optimizer=adam, metrics=['accuracy'])
filepath = "../model/model_spe(5%).h5"
checkpointer = ModelCheckpoint(filepath, monitor='val_acc', save_weights_only=False, mode='max',
save_best_only=True, verbose=0)
callback = [checkpointer]
reduce_lr = ReduceLROnPlateau(monitor='val_acc', factor=0.9, patience=10, verbose=0, mode='auto',
epsilon=0.000001,
cooldown=0, min_lr=0)
# 训练模型并计算评分
history = model.fit(data_train, label_train, epochs=num, batch_size=5, shuffle=True, validation_split=0.1,
verbose=0)
scores = model.evaluate(data_test, label_test, verbose=0)
print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1] * 100))
# 保存模型
result.append(scores[1] * 100)
time_E = time.time()
print("costTime:", time_E - time_S, 's')
print(result)
result_mean.append(np.mean(result))
print("均值是：%.4f" % np.mean(result))
result_std_y.append(np.std(result))
print("标准差(有偏）是：%.4f" % np.std(result))
result_std_w.append(np.std(result, ddof=1))
print("标准差(无偏）是：%.4f" % np.std(result, ddof=1))
if __name__ == '__main__':
# 调用 CNN 函数并设置迭代次数为 50
# CNN(50)
CNN(5)
三、创新点实现：
这段代码在原有基础上引入了一些创新点，主要包括自定义卷积层和自定义回调函数。下面是具体创新点的详细解释：
3.1. 高斯核函数和自定义卷积层
高斯核函数
def gaussian_kernel(x, y, sigma=1.0):
return tf.exp(-tf.reduce_sum(tf.square(x - y), axis=-1) / (2 * sigma ** 2))
- 定义高斯核函数，用于计算输入片段与卷积核之间的相似性。
自定义卷积层
class GaussianKernelConv1D(Layer):
def __init__(self, filters, kernel_size, sigma=1.0, **kwargs):
super(GaussianKernelConv1D, self).__init__(**kwargs)
self.filters = filters
self.kernel_size = kernel_size
self.sigma = sigma
def build(self, input_shape):
self.kernel = self.add_weight(name='kernel',
shape=(self.kernel_size, int(input_shape[-1]), self.filters),
initializer='uniform',
trainable=True)
super(GaussianKernelConv1D, self).build(input_shape)
def call(self, inputs):
output = []
for i in range(inputs.shape[1] - self.kernel_size + 1):
slice = inputs[:, i:i+self.kernel_size, :]
slice = tf.expand_dims(slice, -1)
kernel = tf.expand_dims(self.kernel, 0)
similarity = gaussian_kernel(slice, kernel, self.sigma)
output.append(tf.reduce_sum(similarity, axis=2))
return tf.stack(output, axis=1)
GaussianKernelConv1D是一个自定义的一维卷积层，使用高斯核函数来计算相似性。build方法中定义了卷积核，并设置为可训练参数。call方法中实现了卷积操作，通过滑动窗口方式计算输入片段和卷积核之间的相似性，并累加这些相似性值。
3.2. 自定义回调函数
自定义回调函数用于在每个 epoch 结束时输出训练信息
class TrainingProgressCallback(Callback):
def on_epoch_end(self, epoch, logs=None):
logs = logs or {}
print(f"Epoch {epoch + 1}/{self.params['epochs']}, Loss: {logs.get('loss')}, Accuracy: {logs.get('accuracy')}, "
f"Val Loss: {logs.get('val_loss')}, Val Accuracy: {logs.get('val_accuracy')}")
TrainingProgressCallback是一个自定义回调函数，用于在每个 epoch 结束时输出训练进度，包括损失和准确率。
3.3. 模型构建、训练和评估
CNN 函数
def CNN(num):
result = []
num_epoch.append(num)
for i in range(3):
time_S = time.time()
model = Sequential()
# 定义模型结构
model.add(GaussianKernelConv1D(filters=6, kernel_size=8, input_shape=inputShape, name='spec_conv1'))
model.add(MaxPooling1D(pool_size=2, name='spec_pool1'))
model.add(GaussianKernelConv1D(filters=12, kernel_size=7, name='spec_conv2'))
model.add(MaxPooling1D(pool_size=2, name='spec_pool2'))
model.add(GaussianKernelConv1D(filters=24, kernel_size=8, name='spec_conv3'))
model.add(MaxPooling1D(pool_size=2, name='spec_pool3'))
model.add(Flatten(name='spe_fla'))
model.add(Dense(256, activation='relu', name='spe_De'))
model.add(Dense(17, activation='softmax'))
# 设置优化器和损失函数，并编译模型
adam = optimizers.Adam(learning_rate=0.001, beta_1=0.9, beta_2=0.999, epsilon=1e-8)
model.compile(loss='categorical_crossentropy', optimizer=adam, metrics=['accuracy'])
filepath = "../model/model_spe(5%).h5"
checkpointer = ModelCheckpoint(filepath, monitor='val_accuracy', save_weights_only=False, mode='max',
save_best_only=True, verbose=0)
callback = [checkpointer, TrainingProgressCallback()]
reduce_lr = ReduceLROnPlateau(monitor='val_accuracy', factor=0.9, patience=10, verbose=0, mode='auto',
min_delta=0.000001,
cooldown=0, min_lr=0)
callback.append(reduce_lr)
# 训练模型并计算评分
history = model.fit(data_train, label_train, epochs=num, batch_size=5, shuffle=True, validation_split=0.1,
verbose=1, callbacks=callback)
scores = model.evaluate(data_test, label_test, verbose=0)
print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1] * 100))
result.append(scores[1] * 100)
time_E = time.time()
print("costTime:", time_E - time_S, 's')
print(result)
result_mean.append(np.mean(result))
print("均值是：%.4f" % np.mean(result))
result_std_y.append(np.std(result))
print("标准差(有偏）是：%.4f" % np.std(result))
result_std_w.append(np.std(result, ddof=1))
print("标准差(无偏）是：%.4f" % np.std(result, ddof=1))
- 在
CNN函数中，模型结构与之前类似，但卷积层替换为自定义的GaussianKernelConv1D层。 - 使用
TrainingProgressCallback在每个 epoch 结束时输出训练进度。 - 训练模型并评估其性能。
四、总结
相对于原代码，新的代码主要创新点包括：
- 引入高斯核函数和自定义卷积层：使用高斯核函数来计算输入片段与卷积核之间的相似性，增加了模型的灵活性和非线性特征提取能力。
- 自定义回调函数：用于在每个 epoch 结束时输出训练进度，提供更详细的训练信息，便于实时监控和调整模型。
