基于BP神经网络的信号分类系统

资 源 简 介

本项目旨在利用MATLAB平台构建一个基于误差反向传播（Back Propagation, BP）算法的多层前馈神经网络模型，专门用于对不同类型的信号数据进行自动识别与高精度分类。系统的核心功能涵盖了完整的机器学习工作流：首先是数据预处理与特征工程，对采集的原始信号（如通信信号、生物医学信号或机械振动信号）进行去噪、归一化处理（如映射到[0,1]或[-1,1]区间），并提取时域（均值、方差、峭度等）或频域（功率谱密度）的关键特征向量，以降低数据维度并提高训练效率；其次是网络模型设计，动态构建包含输入层、一个或多个隐含层及输出层的神经网络架构，灵活配置节点数量、激活函数（如Sigmoid、Tan-Sigmoid）及学习率参数；接着是模型训练与优化，采用梯度下降法及其改进算法（如附加动量法或Levenberg-Marquardt算法）进行迭代训练，通过计算输出层误差并向后传播来精细调整网络权值和阈值，使网络输出不断逼近期望目标；最后是性能评估与可视化，利用独立的测试集验证模型的泛化能力，系统将自动生成训练过程的均方误差（MSE）收敛曲线、分类结果的混淆矩阵（Confusion Matrix）以及各类别信号的具体的分类准确率统计，直观展示模型的分类效果与鲁棒性。

详 情 说 明

基于BP神经网络的信号分类系统

项目简介

本项目是一个基于MATLAB开发的机器学习应用，旨在利用误差反向传播（BP）神经网络算法对含噪信号进行自动分类。系统通过模拟生成多种类型的时序信号，提取关键的时域特征，并构建多层前馈神经网络模型进行训练和预测。该项目展示了从数据生成、特征工程、数据预处理、模型构建、训练优化到结果可视化分析的完整机器学习工作流。

功能特性

• 多类型信号模拟：能够自动生成正弦波、方波和线性调频（Chirp）信号，并叠加高斯白噪声以模拟真实环境中的信号干扰。
• 时域特征提取：自动计算信号的六维统计特征（均值、标准差、RMS、峭度、偏度、波形因子），将高维时序数据转换为低维特征向量。
• 智能数据预处理：包含数据集的随机划分（训练集/测试集）、标签的独热编码（One-Hot）处理以及数据的归一化操作。
• BP神经网络分类器：构建包含隐含层和输出层的前馈神经网络，使用Softmax函数输出分类概率，适应多分类任务。
• 高性能训练算法：采用Levenberg-Marquardt算法加速网络收敛，结合均方误差（MSE）作为性能指标。
• 多维度可视化分析：提供原始波形展示、训练收敛曲线、混淆矩阵热力图以及预测标签对比图，全方位评估模型性能。

系统环境要求

• MATLAB R2018b 或更高版本
• Deep Learning Toolbox (原 Neural Network Toolbox)
• Signal Processing Toolbox

使用方法

1. 确保MATLAB路径中包含本项目的脚本文件。
2. 直接运行主函数。
3. 系统将自动执行数据生成、处理、训练和测试全过程。
4. 运行结束后，控制台会输出训练集MSE误差和测试集准确率，并弹出两个图形窗口：一个展示部分特征的散点分布，另一个展示详细的系统性能分析图表。

---

实际上线功能与实现逻辑

本项目的主程序严格按照以下逻辑流程执行：

1. 信号生成与数据集构建

程序首先设置随机种子以确保结果可复现。随后生成三类基础信号，每类150个样本，信号长度为1024点：

• 正弦波 (Sine)：频率在10Hz至12Hz之间随机波动。
• 方波 (Square)：频率在5Hz至6Hz之间随机波动。
• 线性调频信号 (Chirp)：频率随时间线性变化。
• 噪声叠加：所有信号均叠加了强度为0.5的高斯白噪声，增加了分类的挑战性。

2. 特征提取工程

系统不直接使用原始波形数据作为网络输入，而是通过自定义函数提取每条信号的6个时域特征，形成特征矩阵：

• 均值：反映信号的直流分量。
• 标准差：反映信号的波动程度。
• 均方根 (RMS)：反映信号的能量大小。
• 峭度 (Kurtosis)：衡量信号分布的尖尾程度，对冲击成分敏感。
• 偏度 (Skewness)：衡量信号分布的不对称性。
• 波形因子：RMS与绝对平均值的比值，反映波形形状。

此外，程序会绘制标准差与峭度的二维散点图，以此直观展示不同类别信号在特征空间中的分布情况。

3. 数据预处理

• 数据转置：将数据调整为神经网络工具箱所需的格式（列代表样本）。
• 独热编码：将类别标签（1, 2, 3）转换为One-Hot向量（如 [1;0;0]），以便于多分类网络训练。
• 数据集划分：随机打乱数据顺序，按70%作为训练集，30%作为测试集。
• 归一化：使用 MapMinMax 算法将训练数据映射到 [-1, 1] 区间，并将相同的映射参数应用于测试集，消除特征量纲差异对网络权重更新的影响。

4. BP网络模型构建与配置

• 使用 feedforwardnet 构建前馈神经网络。
• 网络结构：设有一个隐含层，包含15个神经元。
• 激活函数：隐含层使用正切S型函数 (tansig)，输出层使用Softmax函数 (softmax)，确保输出结果不仅能分类，还能表示属于各类别的概率。
• 训练算法：指定 trainlm (Levenberg-Marquardt) 算法，该算法结合了梯度下降和牛顿法的优点，收敛速度快且精度高。
• 参数设定：最大迭代次数设为1000，目标误差设为1e-5，为了便于自定义绘图，关闭了默认的训练弹窗。

5. 模型训练与测试

• 利用训练集数据和标签对网络进行迭代训练，不断更新权值和阈值以最小化均方误差。
• 将预处理后的测试集输入训练好的网络，获取预测输出。
• 通过寻找输出向量中的最大值索引确定预测类别，并与真实标签对比计算分类准确率。

6. 结果可视化

系统最终生成一个综合分析图表，包含四个子图：

1. 原始波形片段：展示三类信号在含噪情况下的时域波形。
2. 训练收敛曲线：对数坐标下展示MSE随迭代次数（Epochs）下降的趋势。
3. 混淆矩阵：以热力图形式展示真实类别与预测类别的对应关系，并在格点中显示具体样本数，用于分析误判情况。
4. 预测对比图：选取部分测试样本，在同一坐标系中绘制真实标签和预测标签，直观展示分类吻合度。

---

关键代码分析

extract_features 函数

该函数是特征工程的核心。它接收原始信号矩阵（NxL），通过循环遍历每一个样本，分别计算Mean、Std、RMS、Kurtosis、Skewness和Shape Factor。这些特征不仅涵盖了信号的基本统计特性，还包含的高阶统计量（峭度和偏度），能够有效区分不同形态的波形（如方波和正弦波在峭度上有显著差异）。

神经网络配置细节

代码中显式设置了 net.layers{2}.transferFcn = 'softmax'。这是多分类问题的关键配置，它保证了输出层的输出值总和为1，且每个值介于0和1之间，从而可以解释为样本属于某一类的概率。配合 One-Hot 编码的目标向量，使得网络能够通过交叉熵（隐含在性能评估中）或MSE有效地学习分类边界。

visualize_results 函数

该函数采用了高级绘图技巧，利用 subplot 将多维度的评估指标整合在一个窗口中。特别是在绘制混淆矩阵时，没有简单调用工具箱函数，而是手动计算混淆矩阵数值，并使用 imagesc 和 text 函数绘制热力图，展示了自定义数据可视化的实现能力。