如何搭建autoencoder网络实现1D信号的频率、平均振幅、时间参数预测

一、数据预处理步骤 #

• 单份文件读取规则：逐行读取文件内容，前3行的第二列值依次提取为标注参数[frequency, mean_amplitude, time]，所有行的第一列值拼接为1D信号序列，若不同文件的信号长度不一致，统一做截断/补零对齐到固定长度（如你提供的样例信号长度为32，可统一对齐到32）。
• 1000份文件全部处理完成后，得到两组数组：输入特征X形状为(1000, 信号固定长度, 1)，标注Y形状为(1000, 3)，再按8:2比例拆分训练集和测试集。
• 可选优化：对输入信号做归一化，对输出的三类标注参数做标准化，预测时再反归一化得到实际数值，可提升模型收敛速度和精度。

二、网络结构适配修改 #

你找到的参考代码是针对2D图像重建任务的自编码器，你的场景是1D信号回归预测，不需要重建输入，可复用编码器的特征提取能力，修改输出头适配三类参数预测即可，适配后代码如下：

from tensorflow.keras import layers, Model

# 此处修改为你对齐后的信号实际长度
signal_length = 32
input = layers.Input(shape=(signal_length, 1))

# 替换原2D卷积为1D卷积适配序列数据
x = layers.Conv1D(32, 3, activation="relu", padding="same")(input)
x = layers.MaxPooling1D(2, padding="same")(x)
x = layers.Conv1D(32, 3, activation="relu", padding="same")(x)
x = layers.MaxPooling1D(2, padding="same")(x)

# 特征展平后接全连接层输出3个预测参数
x = layers.Flatten()(x)
# 回归任务用linear激活函数
output = layers.Dense(3, activation="linear")(x)

# 编译模型，回归任务用均方误差损失，替换原二分类交叉熵
model = Model(input, output)
model.compile(optimizer="adam", loss="mse", metrics=["mae"])
model.summary()

三、模型训练逻辑 #

训练时输入为信号特征，标签为对应标注参数，不要沿用原代码输入即标签的重建逻辑：

model.fit(
    x=train_X,
    y=train_Y,
    epochs=50,
    batch_size=16,
    shuffle=True,
    validation_data=(test_X, test_Y)
)

可选调优方向 #

• 数据量较小可加入Dropout层、L2正则化防止过拟合
• 效果不佳可调整卷积核数量、卷积核尺寸、增加全连接隐藏层

内容的提问来源于stack exchange，提问作者manas