分类预测 | Matlab实现CNN-LSTM-Attention高光谱数据分类

分类效果

功能概述

代码功能
该MATLAB代码实现了一个结合CNN、LSTM和注意力机制的高光谱数据分类模型，核心功能如下：

数据预处理

固定划分训练集（前705条）和测试集

特征归一化（mapminmax到[-1,1]区间）

数据重塑为LSTM所需的序列格式（num_dim×1×1的单元数组）

混合模型架构

核心模块

CNN模块：2个卷积层（32/64个滤波器）+ BN + ReLU + 最大池化

LSTM+Attention：128单元LSTM → 多头自注意力层（4头,16键维度）→ Dropout(0.3)

分类头：全连接层 + Softmax

训练与评估

优化器：Adam（初始LR=0.001，分段衰减）

正则化：L2(0.001) + Dropout

评估指标：准确率 + 混淆矩阵 + 预测对比图

特征可视化：t-SNE降维（优化perplexity/lr）

创新可视化

注意力层特征提取 → PCA(50) → t-SNE(2D)

参数网格搜索（perplexity=195, lr=270）

综合评分 = 0.7×轮廓系数 + 0.3×中心聚集度

---

技术亮点
混合架构优势

CNN提取局部空间特征 → LSTM捕获时序依赖 → 注意力聚焦关键波段

防过拟合设计

Dropout(0.3) + L2正则化 + 早停机制（验证集监控）

可视化创新

动态参数优化：自动选择最佳t-SNE参数组合

综合评分指标：结合聚类质量（轮廓系数）和特征紧密度（中心聚集）

工程实践

数据泄露防护：使用训练集归一化参数处理测试集

可重复性：rng(0)固定随机种子

高效特征提取：activations()直接获取注意力层输出

高光谱数据预处理

MSC (Multiplicative Scatter Correction) 是高光谱数据预处理的核心技术（Matlab代码不含此功能），主要用于消除光散射效应：

程序设计

• 完整程序和数据私信博主回复Matlab实现CNN-LSTM-Attention高光谱数据分类。

.rtcContent { padding: 30px; } .lineNode {font-size: 10pt; font-family: Menlo, Monaco, Consolas, "Courier New", monospace; font-style: normal; font-weight: normal; }
%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行
rng('default');
%% 导入数据
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; }
%% 网络架构
layers = [sequenceInputLayer([num_dim 1 1], 'Name','input')sequenceFoldingLayer('Name','fold')% ============== CNN模块 ==============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+注意力模块 ==========lstmLayer(128, 'OutputMode','last', 'Name','lstm')  selfAttentionLayer(4,16, 'Name','attention')       dropoutLayer(0.3, 'Name','dropout')% ====================================, x, refValue_norm); % 调用SHAP函数
end

参考资料

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