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

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在遥感监测、精准农业、环境勘探等领域，高光谱数据凭借 “图谱合一” 的特性（既包含空间纹理信息，又具备数百个连续波段的光谱信息），成为提取地物精细特征的核心数据来源。但高光谱数据维度高、冗余信息多、标签样本稀缺的特点，也给传统分类算法带来了巨大挑战。而CNN - GRU - Attention 组合模型，通过融合卷积、时序建模与注意力机制的优势，能精准捕捉高光谱数据的空间 - 光谱联合特征，成为当前高光谱分类领域的 “明星方案”。今天我们就从原理到实战，全面拆解这一模型的核心逻辑与应用方法。

一、高光谱数据分类的痛点与模型选择逻辑

在深入模型前，我们先明确高光谱分类的核心难点：

1. 维度灾难：高光谱数据通常包含 100 - 2000 个波段，直接输入模型易导致参数爆炸、计算效率骤降；

1. 空间 - 光谱特征割裂：传统算法（如 SVM、随机森林）要么只关注光谱维度的波段差异，要么忽略光谱的连续性，无法同时利用空间纹理（如作物叶片纹理、建筑边缘）与光谱曲线（如植被的 “红边效应”、水体的吸收波段）的协同信息；

1. 样本稀缺：高光谱数据标注成本极高（需专业人员结合实地调研标注地物类别），少量样本易导致模型过拟合。

而 CNN - GRU - Attention 模型的设计，恰好针对性解决这些痛点：

• CNN（卷积神经网络）：擅长提取局部空间特征，可通过卷积核捕捉高光谱图像中地物的空间纹理（如道路与农田的边界、树木的冠层结构），同时通过池化操作降低数据维度，减少冗余；

• GRU（门控循环单元）：作为时序模型的简化版（比 LSTM 结构更轻量），能将高光谱的连续波段视为 “时序序列”，捕捉波段间的依赖关系（如植被在可见光 - 近红外波段的光谱变化趋势）；

• Attention（注意力机制）：为模型添加 “聚焦能力”，自动分配权重给对分类贡献更大的特征（如区分 “小麦” 与 “玉米” 时，重点关注红边波段的细微差异，而非无关的噪声波段），提升模型对关键特征的敏感度。

二、模型核心模块拆解：从原理到优势

1. 第一站：CNN 的空间特征提取逻辑

高光谱数据可视为 “三维张量”（高度 × 宽度 × 波段数），其中 “高度 × 宽度” 是空间维度，“波段数” 是光谱维度。CNN 的作用就是从空间维度中 “抠出” 有价值的纹理特征：

• 卷积操作：通过多个卷积核（如 3×3 大小）在空间维度上滑动，计算局部像素的加权和，生成空间特征图。例如，针对农田高光谱图像，卷积核可自动学习 “作物行间距”“叶片排列规律” 等特征；

• 激活函数（ReLU）：引入非线性，解决线性模型无法拟合复杂地物特征的问题；

• 池化操作（MaxPooling）：在保留关键空间特征的同时，缩小特征图尺寸（如 2×2 池化将特征图尺寸减半），降低计算量并抑制过拟合。

优势：相比传统空间特征提取方法（如 PCA 降维后手工提取纹理），CNN 能端到端自动学习空间特征，无需人工设计特征工程，适配不同场景的高光谱数据（如城市、农田、矿区）。

2. 第二站：GRU 的光谱时序建模能力

高光谱的连续波段（如从 400nm 到 2500nm 的近 200 个波段）本质上是 “按波长顺序排列的时序数据”，相邻波段间存在强相关性（如植被在 600 - 700nm 波段的光谱反射率逐渐上升）。GRU 通过 “重置门” 和 “更新门” 的控制，实现对光谱时序特征的高效捕捉：

• 重置门：决定是否 “遗忘” 历史光谱信息，例如在处理水体光谱时，若前一个波段是强吸收波段，重置门会减弱其对当前波段的影响；

• 更新门：决定是否 “保留” 当前光谱信息，例如在植被的 “红边波段”（700 - 750nm），更新门会强化该波段的特征权重，因为红边波段是区分植被生长状态的关键；

• 隐藏状态：通过门控机制动态更新，最终输出包含全波段时序依赖的光谱特征向量。

优势：相比传统时序模型（如 ARIMA），GRU 结构更简单、计算更快，且能有效处理高光谱波段的长序列依赖，避免 “梯度消失” 问题。

3. 第三站：Attention 机制的 “精准聚焦” 作用

经过 CNN 和 GRU 处理后，模型已获得 “空间特征 + 光谱时序特征” 的融合向量，但不同特征对分类的贡献度差异很大（例如区分 “裸土” 与 “水泥地” 时，空间纹理的贡献更高；区分 “健康植被” 与 “病虫害植被” 时，光谱特征的贡献更高）。Attention 机制的核心就是 “给重要特征加权重”：

• 计算注意力权重：通过全连接层将融合特征映射为 “注意力分数”，再通过 Softmax 函数归一化，得到每个特征的权重（权重之和为 1）；

• 加权融合特征：将特征向量与注意力权重逐元素相乘，得到 “注意力增强后的特征”—— 贡献度高的特征（如病虫害植被的特定光谱波段）会被放大，贡献度低的特征（如噪声波段）会被抑制；

• 输出分类结果：将增强后的特征输入全连接层，通过 Softmax 函数输出各类别的概率（如 “小麦：98%、玉米：2%”）。

优势：Attention 机制让模型具备 “可解释性”—— 通过可视化注意力权重，我们能清晰看到模型在分类时重点关注的波段或空间区域，解决了深度学习 “黑箱” 问题。

⛳️ 运行结果

📣 部分代码

 清空命令行

%%  导入数据

%%  导入数据

res = xlsread('data.xlsx','MachRR','A2:F38');

%%  划分训练集和测试集

P_train = res(:, 1: 5)';

T_train = res(:, 6)';

M = size(P_train, 2);

P_test =[2.04 1.33 2.19 2.50 2.89]';

% T_test = res(temp(81: end), 8)';

N = size(P_test, 2);

%%  数据归一化

[P_train, ps_input] = mapminmax(P_train, 0, 1);

P_test  = mapminmax('apply', P_test, ps_input);

t_train =  categorical(T_train)';

%%  数据平铺

%   将数据平铺成1维数据只是一种处理方式

%   也可以平铺成2维数据，以及3维数据，需要修改对应模型

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码